Это специалист, который обрабатывает большие объемы неструктурированной информации и превращает ее в упорядоченный набор данных.
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

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.

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 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, штрихкоды и другие визуальные объекты.

Распознавание кожных заболеваний

Алгоритм моделирования астероидов

Распознавание объектов для слабовидящих и слепых

По данным Всемирного экономического форума, работа в Data Science занимает первое место в рейтинге профессий с самым большим спросом на рынке до 2025 года.

Ритейл, киберспорт, путешествия, образование, медицина — грамотный Data Scientist нужен практически в любой индустрии, а спрос значительно превышает предложение.

Почему пора присмотреться к IT-специальностям

Старт без долгого обучения

Высокая востребованность

В сфере IT можно преуспеть без профильного высшего образования. По данным hh.kz за 2022 год, более 60% разработчиков и программистов не имеют диплома IT-специалиста.

В Казахстане IT-специалисты нужны во многих сферах — например, в банках, крупных торговых сетях, производственных компаниях.

Новичок

Проходить онлайн-курс о науке данных можно с нуля. Вы начнете с SQL и Python. Получите необходимые знания по математике, статистике и теории вероятности и отработаете их на практике.

Программист

Освоите работу с моделями машинного обучения и анализ данных на Python, прокачаете аналитическое мышление.

Вам подойдет онлайн-курс Skillfactory, если вы

Аналитик

Начнете анализировать данные на продвинутом уровне, автоматизировать процесс сбора данных. Будете обучать модели и делать прогнозы, а также применять это для решения бизнес-задач.

После онлайн-курсов пользователи в среднем зарабатывают 800 000 ₸

Развивайте навыки и повышайте свою ценность

Senior-специалист
в иностранной компании

3 600 000 ₸

Middle-специалист

Junior-специалист

800 000 ₸

Senior-специалист

300 000 ₸

* По данным hh.kz на октябрь 2024 года

1 500 000 ₸

Что вы освоите

После прохождения базовой части онлайн-курса вы сможете выбрать более узкое направление 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

Сможете решать все базовые задачи в сфере Computer Vision
Приобретете 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

Получите доступ к онлайн-курсу со скидкой

Оставить заявку

скидка

45%

В специальном модуле о карьере вы узнаете

Как компании ищут соискателей. Узнаете, каких кандидатов предпочитают и как попасть в компанию мечты.

Как создать резюме,
которое зацепит внимание работодателя и подсветит ваши достоинства

Как проходить интервью с IT-рекрутерами и HR-менеджерами.
Получите обратную связь и поймете, как перейти на следующий этап отбора.

Как разработать карьерную стратегию.
И сформируете план, который приведет к цели.

Здесь готовятся покорять сферу IT:

9000+ пользователей Skillfactory прокачали карьеру

Знакомятся с трендами и перспективами рынка.
Узнают о карьерных мероприятиях и вакансиях.
Объединяются в команды для участия в хакатонах
Ищут единомышленников для проектов.
Обмениваются опытом трудоустройства: делятся тестовыми заданиями и вопросами технических интервью.

Онлайн-курсы Skillfactory специализируются на Data Science, аналитике данных и программировании

Фокус на инженерных специальностях помогает постоянно наращивать экспертизу и совершенствовать программу.

9 из 10

так наши пользователи оценивают качество наших материалов

Гибкий формат онлайн-курса

Можно проходить из любой точки мира в удобном для вас графике

Авторские программы от экспертов из крупных IT-компаний

Разные онлайн-форматы для максимальной эффективности

по данным внутреннего исследования пользователей Skillfactory

Эффективный формат прохождения онлайн-курса

Изучайте онлайн-курс в своем темпе

Онлайн-курс Skillfactory ориентирован на тех, кто хочет управлять своим графиком. Проходите онлайн-курс без отрыва от работы и выделяйте на прохождение столько времени, сколько можете, — 15 минут или 2 часа в день.

20% материала — 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.

80% онлайн-курса — практика в разных форматах

Для развития навыков на онлайн-курсе Skillfactory есть 5 видов практики: тренажеры, тесты, занятия, проекты и хакатоны. Разнообразие форматов помогает усваивать знания эффективнее.

Менторы и координаторы помогут пройти онлайн-курс до конца

Все менторы — опытные практики из IT-индустрии. Они дают качественную обратную связь по заданиям, отвечают на вопросы и помогают достичь целей. Пользователи, прошедшие курс, оценивают менторскую поддержку на 9,1 балла из 10.

Координаторы решат любой организационный вопрос, связанный с прохождением онлайн-курса. Их задача — мотивировать и помочь пройти его до конца.

Материалы о трудоустройстве

В специальном модуле вы узнаете, как оформить резюме, подготовиться к собеседованиям и выйти на рынок труда.

Не важно, сколько вам лет и какой у вас опыт, — вы справитесь.

Просто следуйте программе онлайн-курса

БАЗА

На этом этапе вы изучите основы программирования на Python, узнаете, как предобрабатывать и анализировать данные, а также познакомитесь с основными задачами дата-сайентиста.

Программа онлайн-курса по направлению Data Science

Введение

1 неделя

Вы сможете сформулировать для себя реальные цели онлайн-курса, узнаете, в чем ценность DS для бизнеса, познакомитесь с основными задачами дата-сайентиста и разберетесь, как строится разработка любого DS-проекта.

INTRO-1. Как проходить онлайн-курс эффективно — онбординг
INTRO-2. Обзор направления. Типы задач в Data Science. Этапы и подходы к разработке Data Science проекта

Проектирование разработки

5 недель

Вы изучите работу 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)

Работа с данными

8 недель

На этом этапе вы овладеете базовыми навыками работы с данными: сможете 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

Подгрузка данных

6 недель

Вы сможете выгружать данные из разных форматов и источников. А поможет вам в этом SQL — язык структурированных запросов. Вы будете 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

Статистический анализ данных

7 недель

Разведывательный анализ данных (EDA) — вот, что окажется в центре вашего внимания. Вы познакомитесь со всеми этапами такого анализа и будете 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. Площадка Kaggle
Проект 2

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 снижения 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

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 выберете 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 сможете 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 снижения размерности. Часть 1
MATH&ML-10. Кластеризация и техники снижения размерности. Часть 2
Проект 5. Ансамблевые методы

ML в бизнесе

8 недель

Вы будете использовать ML-библиотеки для решения задачи временных рядов и рекомендательных систем. Вы сможете обучить ML-модель и провести ее валидацию, а также создать работающий прототип и запустить модель в веб-интерфейсе. А еще получите навыки A/B-тестирования, чтобы можно было оценить модель.

MATH&ML-11. Временные ряды. Часть 1
MATH&ML-12. Временные ряды. Часть 2
MATH&ML-13. Рекомендательные системы. Часть 1
MATH&ML-14. Рекомендательные системы. Часть 2
PROD-1. Подготовка модели к Production
PROD-2. Прототип Streamlit+Heroku
PROD-3. Бизнес-понимание. Кейс
Проект 6. Тема на выбор: временные ряды или рекомендательные системы

УРОВЕНЬ PRO

На третьем этапе вы познакомитесь с одним из методов машинного обучения — глубоким обучением (DL). А также вас ждет полноценный блок выбранной специализации: вы можете освоить навыки машинного обучения (ML), познакомиться с рутиной CV (компьютерного зрения).

Второй год обучения — 2 направления на выбор

Выбор направления

10 недель

ML или CV: на этом этапе вам предстоит решить, по какому пути двигаться дальше. Мы расскажем о каждом направлении и предложим решить несколько практических задач, чтобы вам было проще определиться.

Трек ML-инженер

29 недель

В ML-треке вы научитесь решать углубленные задачи машинного обучения, овладеете компетенциями дата-инженера, отточите навык работы с библиотеками Python. Также вы научитесь создавать MVP (минимально жизнеспособную версию продукта), узнаете все тонкости вывода ML-модели в продакшн и узнаете, как работают ML-инженеры в реальной жизни.

Введение в Deep Learning
Основы Data Engineering
Дополнительные главы Python и ML
Экономическая оценка эффектов и разработка MVP
ML в Production
Углубленное изучение ML-разработки и выпускной проект по выбранной теме

Трек CV-инженер

29 недель

На CV-треке вы научитесь решать такие задачи компьютерного зрения, как классификация изображений, сегментация и детекция, генерация и стилизация картинок, восстановление и повышение качества фотографий. Кроме того, вы узнаете, как выкатывать нейронные сети в продакшн.

Введение в Deep Learning
Основы Data Engineering
Дополнительные главы Python и ML
Экономическая оценка эффектов и разработка MVP
ML в Production
Углубленное изучение ML-разработки и выпускной проект по выбранной теме

Deep Learning и нейронные сети

БОНУС

Где применяются нейросети? Как обучить нейронную сеть? Что такое Deep Learning? Ответы на эти вопросы вы узнаете в бонусном разделе DL.

Введение в Data Engineering

БОНУС

Вы узнаете, в чем различие ролей дата-сайентиста и дата-инженера, какими инструментами пользуется последний в своей работе, какие задачи ежедневно решает. Слова «снежинка», «звезда» и «озеро» обретут новые значения :)

Спикеры и авторы курса

Ведущий автор программы

Senior ML Engineer, МТС

Алек Леков

Основные компетенции: временные ряды, Deep Learning и нейронные сети.
Занимается консалтингом в сфере AI

Эмиль Магеррамов

Руководитель группы вычислительной химии в BIOCAD.
Создает сервисы и модели машинного обучения, которые помогают химикам быстрее выпускать лекарства

Ведущий автор разделов ML и DS

Маргарита Бурова

Эксперт по Data Science
Компетенции: Python, машинное обучение, статистика, анализ данных

Ведущий автор раздела MATH&ML

Юлия Мочалова

Эксперт по Data Science
Компетенции: DS(ML), DE, Big Data

Автор раздела курса

Спикеры и авторы

Автор раздела курса

Михаил Баранов

Эксперт по Data Science.
Компетенции: машинное обучение, большие данные, Python

Александр Рыжков

Руководитель команды LightAutoML
Kaggle Grandmaster.
Компетенции: ML/DS, Python, математика, статистика, Kaggle

Автор раздела про KAGGLE

Екатерина Трофимова

Исследователь лаборатории методов анализа больших данных, факультет компьютерных наук НИУ ВШЭ.
Компетенции: Python, PyTorch, CV, GNN

Автор модулей по EDA

Антон Киселев

Head of Marketing Analytics, Playrix.
Эксперт по данным с опытом 15+ лет.
Компетенции: Data Science

ведущий автор раздела «Введение в DS»

Андрей Рысистов

Эксперт DS, преподаватель Skillfactory, автор курсов, автор и соавтор нескольких научных исследований и работ.
Сфера интересов — искусственный интеллект в авиационных технических системах

Автор модулей по Python и ML