Запишитесь на курс или получите бесплатную консультацию
Запишитесь на курс или получите бесплатную консультацию
Нажимая кнопку, я соглашаюсь с Положением о персональных данных и даю согласие на их обработку и хранение.
Записаться на курс
Нажимая кнопку, я соглашаюсь с Положением о персональных данных и даю согласие на их обработку и хранение.
Оставьте заявку на бесплатную консультацию
Нажимая кнопку, я соглашаюсь с Положением о персональных данных и даю согласие на их обработку и хранение.
Разработан совместно с академиком РАН из МГУ им. М.В. Ломоносова
→ Освойте продвинутую математику с самых азов
→ Научитесь создавать ML-модели и работать с нейронными сетями
→ Получите реальный опыт на практических проектах
→ Начните работать удаленно
→ Научитесь создавать ML-модели и работать с нейронными сетями
→ Получите реальный опыт на практических проектах
→ Начните работать удаленно
Data Scientist с нуля до PRO
Углубленный курс науки о данных
Старт обучения: скоро
Длительность:
25 месяцев
25 месяцев
Формат:
онлайн в любое время
онлайн в любое время
Углубленный курс «Data Scientist с нуля до PRO» от МГУ
Уровень подготовки:
с нуля
с нуля
Присоединитесь к новому потоку или начните учиться в удобное время
Не требуется опыт в программировании
Искусственная нейросеть (нейронная сеть или нейросеть) — это программа, которая повторяет модель человеческих нейронных связей. На их основе создают обучаемые программы, которые можно научить распознавать или генерировать контент.
Курс разработан совместно с академиком РАН из МГУ им. Ломоносова
Алексей Львович Семенов — заведующий кафедрой математической логики и теории алгоритмов МГУ.
Участник разработок ПО для ИИ и для суперкомпьютеров, лауреат премии ЮНЕСКО в области цифровых технологий в образовании и премии им. А. Н. Колмогорова за выдающиеся достижения в области математики.
Участник разработок ПО для ИИ и для суперкомпьютеров, лауреат премии ЮНЕСКО в области цифровых технологий в образовании и премии им. А. Н. Колмогорова за выдающиеся достижения в области математики.
В топ-25
По качеству образования в Рейтинге лучших университетов мира Times Higher Education (THE) 2021
В топ-110
По критерию «Успешность выпускников» в Мировом рейтинге QS 2020
В топ-34
Среди вузов мира по математике в QS World University Rankings by Subject-2021
Московский государственный университет им. М.В. Ломоносова
Лучший ВУЗ России по версии RAEX
Лучший ВУЗ России по версии RAEX
Ярмарка профессий
Спецпроект
Бесплатно
Протестируйте разные профессии и осознанно выберите ту, которая подходит вам. Вас ждут: 33 активности, 11 экспертов, 5 лайвов, демоуроки и ценные призы
Мини-курс по нейросетям в подарок новым студентам
Нажимая кнопку, я соглашаюсь с Положением о персональных данных и даю согласие на их обработку и хранение.
03
7 из 10 работодателей нанимают людей с опытом
04
Вы получите реальный опыт
Это формат, где студенты решают реальные задачи бизнеса. У вас будет опыт, которого так не хватает выпускникам онлайн-школ. Вместе с ментором вы решите кейс для компании-партнера — и получите фидбэк от потенциального работодателя.
Реальный опыт даст студентам:
Реальные проекты в портфолио
Участие в стажировках и хакатонах
Шанс получить оффер от компании-заказчика
Опыт работы над проектом в команде
Поэтому мы придумали Фэктори
01
02
Хакатон — это соревнование, в котором команды создают на время прототип мобильного приложения, веб-сервиса или другого продукта для решения проблемы, с которой столкнулся заказчик. Понятие образовано от слов hack и marathon. В переводе с английского hackathon — это «марафон для хакеров».
Кейс — это описание конкретной ситуации и способов ее решения.
Python — это высокоуровневый язык программирования, отличающийся эффективностью, простотой и универсальностью использования. Он широко применяется в разработке веб-приложений и прикладного программного обеспечения, а также в машинном обучении и обработке больших данных.
Pandas — это библиотека Python для обработки и анализа структурированных данных, её название происходит от «panel data» («панельные данные»). Панельными данными называют информацию, полученную в результате исследований и структурированную в виде таблиц.
Keras — это библиотека для языка программирования Python, которая предназначена для глубокого машинного обучения. Она позволяет быстрее создавать и настраивать модели — схемы, по которым распространяется и подсчитывается информация при обучении.
Анализ и сортировка данных
Вам предоставят изображения транспортных средств различных типов и с разных ракурсов. С помощью дескрипторов вы разобьете картинки на кластеры и интерпретируете каждый из них. В результате получите кейс в портфолио и обратную связь от эксперта из компании.
- Pandas
- ML
Intellivision
NumPy — это библиотека Python, которую применяют для математических вычислений: начиная с базовых функций и заканчивая линейной алгеброй. Полное название библиотеки — Numerical Python extensions, или «Числовые расширения Python».
Это специалист, который обрабатывает большие объемы неструктурированной информации и превращает ее в упорядоченный набор данных.
Дата-сайентист может:
Дата-сайентист может:
Кто такой Data Scientist
Предсказать, окупится ли новый проект
Оценить будущий спрос на товары и услуги
Улучшить системы рекомендаций в соцсетях и сервисах
Создать приборы для автоматической постановки диагноза пациенту
Усовершенствовать транспортное движение
Построить систему распознавания лиц
Оценить будущий спрос на товары и услуги
Улучшить системы рекомендаций в соцсетях и сервисах
Создать приборы для автоматической постановки диагноза пациенту
Усовершенствовать транспортное движение
Построить систему распознавания лиц
Дата-сайентист использует методы науки о данных (Data Science), строит и тестирует математические модели. Он находит закономерности, дает прогнозы и предлагает лучшие решения в разных сферах.
Вы вспомните школьную математику и освоите углубленный уровень для Data Science, чтобы:
Научиться не просто работать с алгоритмами машинного обучения, но и создавать и развивать их
Использовать в работе фундаментальные основы анализа данных
Успешно проходить технические собеседования в компаниях уровня Google и Яндекс
Решать сложные бизнес-задачи и иметь конкурентное преимущество на рынке
Общаться с другими дата-сайентистами на одном языке
Как Data Science применяется в жизни
Специалисты подразделения Google AI, занимающегося искусственным интеллектом, создали модель глубокого обучения (Deep Learning) для распознавания кожных болезней. DL-модель может диагностировать 26 болезней кожи с точностью 97%.
Компания Frontier Development Lab вместе со студентами из разных стран и специалистами Nvidia, разработала алгоритм, способный создать 3D-модель астероида за четыре дня. Этот метод используют сегодня для моделирования формы астероидов в реальном времени. А NASA применяет алгоритм NASA визуализации данных о космическом мусоре.
Компания Google создала приложение, которое позволяет слабовидящим и слепым узнавать об объектах рядом с ними — оно в реальном времени распознает на изображении с камеры объекты и передает информацию пользователю. Еще оно умеет зачитывать текст, знаки, штрих-коды и другие визуальные объекты.
Распознавание кожных заболеваний
Алгоритм моделирования астероидов
Распознавание объектов для слабовидящих и слепых
Deep learning (глубокое обучение) — это вид машинного обучения с использованием многослойных нейронных сетей, которые самообучаются на большом наборе данных.
По данным Всемирного экономического форума, работа в Data Science занимает первое место в рейтинге профессий с самым большим спросом на рынке до 2025 года.
Количество вакансий в Data Science выросло на 433% за 3 года
Ритейл, киберспорт, путешествия, образование, медицина — грамотный Data Scientist нужен практически в любой индустрии, а спрос значительно превышает предложение.
Новичок
Программист
Научитесь работать с моделями машинного обучения, анализировать данные на Python и прокачаете аналитическое мышление.
Вам подойдет этот курс, если вы
Аналитик
Начнете анализировать данные на продвинутом уровне, автоматизировать процесс сбора данных. Научитесь обучать модели и делать прогнозы, а также применять это для решения бизнес-задач.
SQL (от англ. Structured Query Language) — это структурированный язык запросов, созданный для того, чтобы получать из базы данных необходимую информацию.
Python — это высокоуровневый язык программирования, отличающийся эффективностью, простотой и универсальностью использования.
8 000 $
250 000 ₽
180 000 ₽
80 000 ₽
После наших курсов студенты в среднем зарабатывают 180 000 ₽
Развивайте навыки и растите в цене
Senior-специалист
в иностранной компании
Middle-специалист
Junior-специалист
Senior-специалист
*По данным hh.ru и indeed.com
Чтобы посмотреть как устроена работа в большой IT-компании
Чтобы быстрее влиться в среду
Чтобы расти в карьере и работать из любой точки мира
Кем вы станете
После базового курса вы сможете выбрать более узкую специализацию в Data Science: ML Engineer или CV Engineer.
- Разработаете модель предсказания кредитного рейтинга
- Решите задачу классификации спама СМС-сообщений
- Разработаете систему рекомендаций подходящих товаров при покупке
- Построите модель для увеличения продаж в розничном бизнесе
- Создадите изображения по текстовому описанию с помощью нейросети DALL-E
ML Engineer — Разработчик машинного обучения
Спам — это массовая рассылка рекламных или информационных писем пользователям без их согласия на это.
- Научитесь решать все базовые задачи в сфере Computer Vision
- Приобретёте знание реального флоу работы с моделями CV, актуальных подходов и продвинутых инструментов, необходимых для создания CV-сервисов
- В итоговом проекте создадите виртуального коуча, способного оценивать правильность выполнения упражнений на видео
CV Engineer — Специалист по компьютерному зрению
Начните путь в Data Science уже сейчас
Забронируйте курс со скидкой
до 25 января
скидка
40%
Записаться на курс
Нажимая кнопку, я соглашаюсь с Положением о персональных данных и даю согласие на их обработку и хранение.
Центр карьеры
Сопровождаем вас на всем пути, пока не получите тот самый оффер
Вместе создадим резюме,
которое зацепит внимание работодателя и подсветит ваши достоинства кандидата на вакансию.
которое зацепит внимание работодателя и подсветит ваши достоинства кандидата на вакансию.
Дадим рекомендации по карьере. С карьерным консультантом вы сформируете план действий по достижению цели.
Поможем выйти на работу в зарубежную компанию — у наших HR-специалистов есть опыт подбора персонала на рынках США, Европы, Азии.
Познакомим с представителями компаний-работодателей. Узнаете, каких кандидатов предпочитают и что сделать, чтобы попасть в компанию мечты.
Научим проходить интервью с IT-рекрутерами и HR-менеджерами.
Получите обратную связь и поймете, как перейти на следующий этап отбора.
Получите обратную связь и поймете, как перейти на следующий этап отбора.
Здесь начинающие специалисты:
В нашем карьерном сообществе 9000+ студентов и выпускников
- Знакомятся с трендами и перспективами IT-рынка
- Узнают о карьерных мероприятиях и вакансиях наших компаний-партнеров
- Объединяются в команды для участия в хакатонах и ищут единомышленников для собственных проектов
- Обмениваются опытом трудоустройства: делятся тестовыми заданиями и вопросами технических интервью
компаний работают с нами на постоянной основе
> 200
81 %
Это консультанты и карьерные коучи с узкой специализацией и опытом 10+ лет в HR и IT-рекрутинге в России и за рубежом
С вами будет работать команда из 40+ профессионалов в области карьеры
71 %
наших студентов получили новую работу или повышение на старой
студентов после ревью резюме Центром карьеры работодатели пригласили на собеседование
Эффективный формат онлайн-обучения
Занимайтесь в своем темпе
Наши курсы ориентированы на тех, кто работает и хочет сам регулировать нагрузку. Занимайтесь без отрыва от работы и выделяйте на учебу столько времени, сколько есть прямо сейчас (15 минут или 2 часа в день).
20% обучения — интересная и важная теория
Теория разбита на короткие блоки, после которых обязательно идет практика.
Вы смотрите короткие видео, изучаете текстовые материалы и приступаете к заданиям, чтобы закрепить знания.
Вы смотрите короткие видео, изучаете текстовые материалы и приступаете к заданиям, чтобы закрепить знания.
80% обучения — практика в разных форматах
Для развития навыков у нас есть 5 видов практики: тренажеры, тесты, домашние задания, проекты и хакатоны. Разнообразие форматов помогает усваивать знания максимально эффективно.
Менторы и координаторы помогут дойти до конца
Все менторы — опытные практики из IT-индустрии. Они дают качественную обратную связь на задания, отвечают на вопросы и помогают студенту достичь своих целей во время обучения. Выпускники оценивают менторскую поддержку на 9,1 балла из 10.
Координаторы постоянно на связи, чтобы решить любой организационный вопрос. Их задача — мотивировать студентов и помочь пройти курс до конца.
Координаторы постоянно на связи, чтобы решить любой организационный вопрос. Их задача — мотивировать студентов и помочь пройти курс до конца.
Фокус на подготовке к трудоустройству
Вы тренируетесь на кейсах компаний, а также делаете проекты для реальных заказчиков в команде. Помогаем оформить резюме и подготовиться к собеседованиям.
Лучших студентов рекомендуем по накопленной базе работодателей. На стажировках в компаниях-партнерах вы отработаете навыки и пообщаетесь с потенциальными работодателями.
Лучших студентов рекомендуем по накопленной базе работодателей. На стажировках в компаниях-партнерах вы отработаете навыки и пообщаетесь с потенциальными работодателями.
БАЗА
На этом этапе вы изучите основы программирования на Python, научитесь предобрабатывать и анализировать данные, а также познакомитесь с основными задачами дата-сайентиста.
Программа курса
«Data Scientist с нуля до PRO»
Введение
1 неделя
Вы сможете сформулировать для себя реальные цели обучения, узнаете, в чем ценность DS для бизнеса, познакомитесь с основными задачами дата-сайентиста и разберетесь, как строится разработка любого DS-проекта.
- INTRO-1. Как учиться эффективно — онбординг в обучение
- INTRO-2. Обзор профессии. Типы задач в Data Science. Этапы и подходы к разработке Data Science проекта
Проектирование разработки
5 недель
Вы научитесь работать с основными типами данных с помощью языка Python и сможете применять в повседневной работе циклические конструкции, условные операторы и функции.
- PYTHON-1. Основы Python
- PYTHON-2. Погружение в типы данных
- PYTHON-3. Условные операторы
- PYTHON-4. Циклы
- PYTHON-5. Функции и функциональное программирование
- PYTHON-6. Практика
- PYTHON-7. Гид по стилю в среде Python (бонусный)
Цикл в программировании — это управляющая конструкция, которая заставляет какой-то блок кода выполняться несколько раз.
Функциональные языки программирования — это языки, в которых процессы представлены как функции в математическом понимании этого слова.
Основы математики
7 недель
- MATH-1. Числа и выражения
- MATH-2. Уравнения и неравенства
- MATH-3. Основные понятия теории функций
- MATH-4. Основы геометрии: планиметрия, тригонометрия и стереометрия
- MATH-5. Множества, логика и элементы статистики
- MATH-6. Комбинаторика и основы теории вероятности
- MATH-7. Решение задач
Работа с данными
8 недель
На этом этапе вы овладеете базовыми навыками работы с данными: научитесь подготавливать, очищать и преобразовывать данные так, чтобы они были пригодны для анализа. Кстати, об анализе: вы будете анализировать данные с помощью популярных библиотек Matplotlib, Seaborn, Plotly.
- PYTHON-8. Инструменты Data Science
- PYTHON-9. Библиотека NumPy
- PYTHON-10. Введение в Pandas
- PYTHON-11. Базовые приемы работы с данными в Pandas
- PYTHON-12. Продвинутые приемы работы с данными в Pandas
- PYTHON-13. Очистка данных
- PYTHON-14. Визуализация данных
- PYTHON-15. Принципы ООП в Python и отладка кода (дополнительный модуль)
- Проект 1. Аналитика датасета по закрытым вопросам
Matplotlib — это библиотека на языке Python для визуализации данных. В ней можно построить двумерные (плоские) и трехмерные графики.
Seaborn — это мощная и гибкая библиотека визуализации данных для Python, строящая свою работу поверх библиотеки Matplotlib.
Pandas — это библиотека Python для обработки и анализа структурированных данных, её название происходит от «panel data» («панельные данные»).
Объектно-ориентированное программирование (ООП) — это подход, при котором программа рассматривается как набор объектов, взаимодействующих друг с другом.
Отладка, или debugging, — это поиск (локализация), анализ и устранение ошибок в программном обеспечении, которые были найдены во время тестирования.
Подгрузка данных
6 недель
Вы сможете выгружать данные из разных форматов и источников. А поможет вам в этом SQL — язык структурированных запросов. Вы научитесь использовать агрегатные функции, соединения таблиц и сложные объединения.
- PYTHON-16. Как выгружать данные из файлов разных форматов
- PYTHON-17. Получение данных из веб-источников и API
- SQL-0. Привет, SQL!
- SQL-1. Основы SQL
- SQL-2. Агрегатные функции
- SQL-3. Соединение таблиц
- SQL-4. Сложные объединения
- Проект 2. Подгрузка новых данных. Уточнение анализа
API — это способ обмена информацией между сайтами, программами и приложениями. Можно также сказать, что это набор правил, по которым осуществляется такой обмен.
Статистический анализ данных
7 недель
Разведывательный анализ данных (EDA) — вот, что окажется в центре вашего внимания. Вы познакомитесь со всеми этапами такого анализа и научитесь проводить его с помощью библиотек Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Кроме того, вам удастся поработать на Kaggle, популярном сервисе по участию в соревнованиях.
- EDA-1. Введение в разведывательный анализ данных. Алгоритмы и методы EDA
- EDA-2. Математическая статистика в контексте EDA. Типы признаков
- EDA-3. Проектирование признаков (Feature Engineering)
- EDA-4. Статистический анализ данных на Питоне
- EDA-5. Статистический анализ данных на Питоне. Часть 2
- EDA-6. Проектирование экспериментов
- EDA-7. Kaggle площадка
- Проект 2
Алгоритм — это четкая последовательность действий, выполнение которой дает какой-то заранее известный результат. Простыми словами, это набор инструкций для конкретной задачи.
Введение в машинное обучение
9 недель
Вы познакомитесь с ML-библиотеками для моделирования зависимостей в данных. Вы сможете обучить основные виды ML-моделей, провести валидацию, интерпретировать результаты работы и выбрать важные признаки (feature importance).
- ML-1. Теория машинного обучения
- ML-2. Обучение с учителем: Регрессия
- ML-3. Обучение с учителем: Классификация
- ML-4. Обучение без учителя: Кластеризация и техники понижение размерности
- ML-5. Валидация данных и оценка модели
- ML-6. Отбор и селекция признаков
- ML-7. Оптимизация гиперпараметров модели
- ML-8. ML Cookbook
- Проект 3. Задача классификации
Кластеризация — это разбиение множества объектов на подмножества (кластеры) по заданному критерию. Каждый кластер включает максимально схожие между собой объекты.
Валидация HTML-разметки — это проверка кода веб-страницы на соответствие стандартам Консорциума Всемирной паутины (World Wide Web Consortium, W3C).
ОСНОВНОЙ БЛОК
Линейная алгебра, математический анализ, дискретная математика — звучит страшно, но не пугайтесь: разберем все эти предметы и научим с ними работать! На втором этапе вы погрузитесь в математику и основы машинного обучения, узнаете больше о профессиях DS, а также благодаря профориентации выберите трек обучения второго года.
Математика и машинное обучение. Часть 1
6 недель
Вы сможете решать практические задачи с помощью ручного счета и Python (векторные и матричные вычисления, работа с множествами, исследование функций с помощью дифференциального анализа).
- MATH&ML-1. Линейная алгебра в контексте Линейных методов. Часть 1
- MATH&ML-2. Линейная алгебра в контексте Линейных методов. Часть 2
- MATH&ML-3. Математический анализ в контексте задачи оптимизации Часть 1
- MATH&ML-4. Математический анализ в контексте задачи оптимизации. Часть 2
- MATH&ML-5. Математический анализ в контексте задачи оптимизации. Часть 3
- Проект 4. Задача регрессии
Математика и машинное обучение. Часть 2
6 недель
Вы познакомитесь с основными понятиями теории вероятности и математической статистики, алгоритмами кластеризации, а также научитесь оценивать качество произведенной кластеризации и представлять результаты в графическом виде.
- MATH&ML-6. Теория вероятностей в контексте Наивного Байесовского классификатора
- MATH&ML-7. Алгоритмы на основе Деревьев решений
- MATH&ML-8. Бустинг & Стекинг
- MATH&ML-9. Кластеризация и техники понижение размерности. Часть 1
- MATH&ML-10. Кластеризация и техники понижение размерности. Часть 2
- Проект 5. Ансамблевые методы
Байесовский классификатор — это один из способов решить задачу классификации объектов с помощью формулы Байеса из теории вероятностей.
Дискретная математика
4 недели
- MATH&MGU-1 Множества и комбинаторика
- MATH&MGU-2 Логика
- MATH&MGU-3 Графы. Часть 1
- MATH&MGU-4 Графы. Часть 2