Курс повышения квалификации data science: ТОП-20 курсов по Data Science

Содержание

Специалист по Data Science – Курсы – Национальный исследовательский университет «Высшая школа экономики»

Сертифицированная программа нацпроекта «Цифровая экономика». Изучение всех разделов современного анализа данных: от программирования и базовых разделов математики до машинного обучения, прикладной статистики, работы с большими данными и глубинного обучения.

Подать заявку

Это программа по анализу данных и машинному обучению, которая охватывает все разделы современного анализа данных, в том числе глубинное обучение и его применения.

  • Программа начинается с самых основ — изучения программирования и базовых разделов математики — и переходит к разделам по машинному обучению, прикладной статистике и обработке данных, работе с большими данными, глубинному обучению, его применениям к изображениям, текстам и сигналам. При разработке программы мы сделали акцент на практическую работу.
  •  В декабре 2019 г. программа «Специалист по Data Science» стала сертифицированной программой нацпроекта «Цифровая экономика» и победила в номинации «Подготовка профессионалов цифровой индустрии».

О профессии

Специалист по Data Science — тот, кто разрабатывает алгоритмы для работы с данными. Например, придумывает рекомендательную систему для музыкального сервиса, строит модель ценообразования для сети магазинов или создает бота-помощника.

Для кого

Очная программа «Специалист по Data Science» подходит:

  • Начинающим

    В программу включены основы программирования и математики

  • Специалистам не из IT

    Вы освоите новые методы и инструменты для работы с данными в своей области

  • Программистам

    Вы освежите в памяти алгоритмы и структуры данных и научитесь обучать нейронные сети

В результате освоения программы вы:

  • Изучите

    Программирование на Python, математику для анализа данных, прикладную статистику, классические модели машинного обучения и нейронные сети, а также основы обработки текстов, звука и изображений.

  • Освоите инструменты

    SQL, Python, Jupyter Notebook, Spark, Tensorflow/Pytorch и другие

  • Выполните три проекта

    Вы напишете чат-бот, выполните проект по машинному обучению и финальный проект. Это хорошая возможность пополнить портфолио, особенно для начинающих.

  • По итогам программы вы получите самые актуальные знания в одной из самых востребованных областей XXI века

    Подать заявку

Программа обучения

  • Python для автоматизации и анализа данных 18 занятий

    • Введение в язык Python. Знакомство со средой программирования. Базовые операции. Интерпретация ошибок.
    • Строки и списки в Python.
    • Понятие управляющих конструкций. Условные операторы.
    • Циклы for и while.
    • Устройство функций в Python. Поиск ошибок в коде и отладка.
    • Итераторы, генераторы, генераторы списков. Рекурсия.
    • Работа с файлами. Продвинутая работа со словарями.
    • Библиотеки для хранения и работы с данными в табличном формате: pandas.
    • Сбор данных: web-scraping с BeautifulSoup.
    • Сбор данных: Selenium, работа с сервисами через API.
    • Объектно-ориентированное программирование. Классы.
    • Введение в numpy.
    • Введение в pandas.
    • Работы с пропущенными данными.
    • Визуализация для презентации данных: matplotlib. Основные виды графиков. Основные ошибки при создании визуализаций.
    • Создание интерактивных визуализаций: plotly.
    • Разведывательный анализ данных. Особенности исследования текста.
  • SQL 5 занятий

    • Введение в  SQL. Основные блоки запросов. Типы данных.
    • Агрегационные функции и подзапросы.
    • Join’ы и их применение.
    • Оконные функции.
    • SQL в связке с Python.
  • Математика для анализа данных 19 занятий

    Дискретная математика:

    • Множества и логика.
    • Комбинаторика и вероятность.
    • Неориентированные графы.
    • Ориентированные графы и алгоритмы на графах.

    Математический анализ:

    • Функции одной переменной, пределы, производные.
    • Касательные, критические точки, поиск минимумов и максимумов.
    • Интегралы, введение в вычисление интегралов.
    • Функции нескольких переменных, градиент, производная по направлению, линии уровня, касательная плоскости, критические точки, поиск минимумов и максимумов.
    • Оптимизационные задачи, лагранжиан и его геометрический смысл, нахождение минимума или максимума с заданными ограничениями.

    Линейная алгебра:

    • Системы линейных уравнений, матрицы, обратимость и невырожденность.
    • Определитель, обратная матрица.
    • Векторные пространства и подпространства, размерности, ранги матриц.
    • Линейные отображения и их матричное описание. Собственные значения и векторы, связь со спектром.
    • Билинейные и квадратичные формы. Скалярные произведения, углы и расстояния. Ортогонализация и QR-разложение. Линейные многообразия и линейные классификаторы, отступы.
    • Операторы в евклидовых пространствах. Сингулярное разложение (SVD).

    Теория вероятностей:

    • Пространство элементарных исходов. События. Вероятность и её свойства. Условная вероятность. Формула полной вероятности. Формула Байеса.
    • Дискретные случайные величины и их распределения. Независимость случайных величин. Распределение функции от дискретной случайной величины. Математическое ожидание и дисперсия.
    • Случайные величины, имеющие плотности. Математическое ожидание случайной величины, имеющей плотность. Равномерное, экспоненциальное, нормальное распределения.
    • Функция распределения. Распределение функции от случайной величины, имеющей плотность. Многомерные случайные величины. Ковариация и корреляция.
    • Неравенства концентрации (неравенства Маркова и Чебышёва). Распределение суммы случайных величин. Закон больших чисел. Центральная предельная теорема.
  • Алгоритмы и структуры данных 10 занятий

    • Асимптотический анализ.
    • Базовые структуры данных.
    • Сортировки.
    • Бинарные деревья поиска.
    • Хеш-таблицы.
    • Алгоритмы на графах.
    • Алгоритмы на строках.
    • Динамическое программирование.
  • Прикладная статистика для машинного обучения9 занятий

    Теория оценивания. Оценивание параметров распределения. Метод моментов и метод максимального правдоподобия. Сравнение оценок.

    • Теория оценивания. Оценивание характеристик распределения. Метод Монте-Карло.
    • Доверительное оценивание. Построение доверительных интервалов. Доверительные интервалы в нормальной модели. Бутстрэп.
    • Проверка гипотез. Введение в проверку гипотез. Критерии согласия.
    • Проверка гипотез. Критерии однородности и A/B тестирование I.
    • Проверка гипотез. Критерии однородности и A/B тестирование II.
    • Линейные модели со статистической точки зрения I. Исследование зависимости признаков. Ковариация и корреляция.
    • Линейные модели со статистической точки зрения II. Метод наименьших квадратов (МНК). Статистические свойства оценок МНК.
    • Временные ряды. Модель SARIMA и ее подгонка.
  • Машинное обучение14 занятий

    • Введение и основные задачи.
    • Линейная регрессия.
    • Градиентные методы обучения.
    • Линейная классификация и метрики качества классификации.
    • Логистическая регрессия и SVM.
    • Многоклассовая классификация, работа с категориальными признаками и текстами.
    • Решающие деревья.
    • Бэггинг и случайные леса.
    • Градиентный бустинг.
    • Градиентный бустинг: имплементации.
    • Отбор признаков и понижение размерности.
    • Кластеризация.
    • Поиск аномалий.
    • Рекомендательные системы.
    • Ранжирование.
  • Промышленное машинное обучение на Spark 8 занятий

    • Введение: как работают и где находятся большие данные.
    • Среда Spark. Spark RDD / Spark SQL.
    • Advanced SQL.
    • Spark ML / Spark TimeSeries.
    • Advanced ML и проверка результатов качества моделей.
    • Spark GraphX /Spark Streaming.
    • Экосистема Spark (MLFlow, AirFlow,h3O AutoML).
    • Spark в архитектуре проекта / Spark CI/CD.
  • Глубинное обучение10 занятий

    • Введение в глубокое обучение. От линейной регрессии к нейронной сети. Смотрим на базовые возможности tensorflow/pytorch, собираем первую нейросеть.
    • Обучение нейронных сетей. Алгоритм обратного распространения ошибки.
    • Свёрточные нейронные сети. Классификация изображений.
    • Оптимизация. Эвристики для обучения нейронных сетей. Нормализация по батчам, инициализация и др.
    • Архитектуры свёрточных сетей. Что видят свёрточные сети. Transfer learning.
    • Обзор задач компьютерного зрения. Детекция, сегментация, перенос стиля, распознавание лиц.
    • Автокодировщики и генеративные модели (Generative Adversarial Networks).
    • Глубокое обучение для NLP. Векторные представления текстов: word2vec, fasttext.
    • Рекуррентные нейронные сети, работа с последовательностями. ELMO-эммбеддинги.
    • Sequence2sequence, архитектуры с механизмом внимания. Трансформеры. BERT.
  • Прикладные задачи анализа данных 10 занятий

    • Введение в цифровую обработку сигналов и классификация звуков.
    • Автоматическое распознавание речи.
    • Преобразование текста в речь.
    • Введение в обработку текстов и классификация текстов.
    • Языковое моделирование.
    • Машинный перевод.
    • Распознавание лиц и метрическое обучение.
    • Семантическая сегментация изображений.
    • Детекция объектов на изображениях.
    • Глубинное обучение в производстве: обслуживание и ускорение.
  • Финальный проект

Документ об окончании

Диплом о профессиональной переподготовке при успешном завершении обучения.

У нас есть лицензия на образовательную деятельность.

Подать заявку

Преподаватели

Руководитель группы аналитики в VK, преподаватель Центра непрерывного образования факультета компьютерных наук НИУ ВШЭ. 

Ведет курсы по  Python, SQL, Прикладной статистике и Машинному обучению.  

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Физика».

Профессиональные интересы: аналитика данных, машинное обучение, прикладная статистика, Python.

Кандидат физико-математических наук.

Доцент, академический руководитель онлайн-программы «Машинное обучение и высоконагруженные системы» факультета компьютерных наук НИУ ВШЭ.

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Математика».

Профессиональные интересы: машинное обучение, анализ данных, математика.

Старший преподаватель, младший научный сотрудник научно-учебной лаборатории методов анализа больших данных факультета компьютерных наук НИУ ВШЭ.

Ведет кукрсы по Python и Машинному обучению. 

Образование: Национальный исследовательский университет «Высшая школа экономики», специальность «Прикладная математика и информатика». 

Профессиональные интересы: анализ данных, машинное обучение, Python, глубинное обучение.

Старший преподаватель, заместитель руководителя департамента факультета компьютерных наук НИУ ВШЭ.

Ведет курсы по Математике. 

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Фундаментальная математика и механика». 

Профессиональные интересы: математика, анализ данных, линейная алгебра, неотрицательные матрицы, конечные автоматы.

Старший преподаватель, младший научный сотрудник, академический руководитель образовательной программы «Компьютерные науки и анализ данных» факультета компьютерных наук НИУ ВШЭ.

Ведет курсы по математике. 

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Фундаментальная математика и механика». 

Профессиональные интересы: математика, анализ данных, линейная алгебра, алгебраическая теория графов, алгебраическая комбинаторика, структурные константы.

ML-разработчик в Яндексе. 

Ведет курсы по Прикладной статистике.  

Образование: Московский физико-технический институт, специальность  «Информатика и вычислительная техника».

Профессиональные интересы: машинное обучение, прикладная статистика,  дискретная математика, когнитивные науки, лингвистика. 

Аналитик в Самокате.

Ведет курсы по Математике. 

Образование: Российский университет дружбы народов, специальность «Бизнес-информатика»;  Национальный исследовательский университет «Высшая школа экономики», специальность «Электронный бизнес». 

Профессиональные интересы: математика, анализ данных, продуктовая аналитика.

Кандидат физико-математических наук.

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Математика».

Data Scientist в Сколтехе. 

Ведет курсы по Глубинному обучению и Машинному обучению.

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Прикладная математика и информатика»; Сколковский институт науки и технологий, специальность «Data Scienсe».

Профессиональные интересы: машинное обучение, глубокое обучение. 

Инженер-исследователь в Сколтехе.  Лауреат премии им. И. Сегаловича. 

Ведет курсы по Прикладным задачам анализа данных. 

Образование: Московский физико-технический университет. 

Профессиональные интересы: нейронная визуализация, компьютерное зрение и глубинное обучение. 

Руководитель направления в Сбере. 

Ведет курсы по Прикладным задачам анализа данных. 

Образование: Московский физико-технический институт, специальность «Прикладная математика и физика». 

Эксперты

Доцент, академический руководитель образовательной программы «Прикладная математика и информатика» факультета компьютерных наук НИУ ВШЭ. 

Работал руководителем группы качества в Яндексе, data scientist в Ozon.  

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Прикладная математика и информатика».

Профессиональные интересы: машинное обучение, анализ данных, биоинформатика, анализ и автоматическая обработка текстов.

Руководитель команды развития алгоритмов диспатча в Яндексе, преподаватель факультета компьютерных наук НИУ ВШЭ.

Образование: Национальный исследовательский университет «Высшая школа экономики», специальность «Прикладная математика и информатика», магистр.

Профессиональные интересы: машинное обучение, анализ данных, биоинформатика, data science в маркетинге.

Кандидат математических наук. 

Старший научный сотрудник в Международной лаборатории стохастических алгоритмов и анализа многомерных данных, преподаватель ФКН НИУ ВШЭ. 

Работал руководителем направления по исследованию данных в Лаборатории по искусственному интеллекту Сбера. 

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Математика». 
Профессиональные интересы: теория вероятностей, математическая статистика, машинное обучение, схоластические алгоритмы.

Руководитель группы аналитики в VK, преподаватель Центра непрерывного образования факультета компьютерных наук НИУ ВШЭ.  

Образование: Московский государственный университет им. М.В. Ломоносова, специальность «Физика».

Профессиональные интересыСфера: аналитика данных, машинное обучение, прикладная статистика, Python.

Стоимость и условия

  • 465 000 ₽

  • Оплату можно разделить на 8 частей

    Подать заявку

  • Расписание

    Старт — 15 мая 2023. Занятия попонедельникам (19:00-22:00) и четвергам (19:00-22:00), очно.

  • Скидка

    5-10 %

    Для студентов, выпускников и слушателей основных и дополнительных программ НИУ ВШЭ.

Как поступить на программу

  • 01

    Оставить заявку на программу. В заявке важно указать актуальные номер и e-mail.

  • 02

    Подтвердить обучение на курсе. Менеджер свяжется с вами по указанным в заявке контактам, чтобы вы могли подтвердить участие в обучении.

  • 03

    Отправить сканкопии документов для зачисления (паспорт, снилс, диплом, справка из вуза, свидетельство о смене фамилии).

  • 04

    Заключить договор.Менеджер отправит вам договор на ознакомление и ссылку на оплату, по которой нужно будет оплатить обучение.

  • 05

    Начать обучение. За несколько дней до начала обучения менеджер отправит организационное письмо со всей важной информацией о программе и ссылкой на чат в Telegram.

Контакты

Где проходят занятия?

  • Вы будете учиться в главном корпусе Вышки – на Покровском бульваре, в компьютерных классах.

  • На время обучения получите пластиковый пропуск с доступом во все корпуса ВШЭ. В любое время вы можете зайти в библиотеку, чтобы поучиться или поработать.

  • Можете приезжать на занятия в корпус, а можете подключаться по Zoom. 

Отзывы выпускников

  • После защиты диплома я перешел с позиции эксперта в нефтегазовой компании на позицию инженера-разработчика по интерпретации данных.

    Алексей Борисенко, инженер-разработчик по интерпретации данных в нефтегазовой компании

  • Понравился удобный формат обучения: очные занятия с трансляцией онлайн. Можно подключиться из любой точки мира, экономить время на дороге, при необходимости можно посмотреть, пересмотреть занятия в записи. При этом всегда есть возможность задать вопросы преподавателям. Что важно: сбалансированы теория и практика. Пройденный материал осознаешь и закрепляешь через домашние задания, а домашние задания разбираются на факультативах.

    Андрей Лоскутов, Marketing analytics team lead, G5 Game

  • Когда я выбирал программу по Data Science, я изучил несколько вариантов в разных учебных заведениях Москвы. «Специалист по Data Science» во ВШЭ показалась мне наиболее полной: она включает в себя курс алгоритмов, дискретки, линала, теории вероятностей и матстата — все, что необходимо было освежить перед погружением в машинное обучение. Престиж университета тоже сыграл свою роль при выборе.

    Евгений Шараев

FAQ

  • Почему я должен выбрать вашу программу?

    В наших программах в коротком формате упакован опыт бакалаврских и магистерских программ факультета компьютерных наук Вышки.  Опираясь на наши знания об отрасли, мы дадим Вам необходимую базу, чтобы войти в профессию или перейти на новый уровень на вашей текущей работе.
    К тому же, большинство наши программы – очные. Это означает, что вы сможете еженедельно общаться с преподавателями, получать поддержку ассистентов и одногруппников, это поможет сохранять мотивацию.
    Обучаясь на наших курсах, вы получаете возможность интегрироваться в сообщество Вышки, общаться с нашими преподавателями и участвовать в мероприятиях факультета и университета: например, мы проводили «Ночь анализа данных», у нас регулярно проходят IT-лекторий и научный коллоквиум ФКН.
    У нас есть лицензия на образовательную деятельность, поэтому по результатам обучения мы выдаем удостоверения о повышении квалификации и дипломы о профессиональной переподготовке установленного в НИУ ВШЭ образца.

  • Чем специалист по Data Science отличается от аналитика данных?

    Приведем пример.

    Менеджер интересуется, какие товары пользователи интернет-магазина покупают вместе, с этим вопросом он пойдет к продуктовому аналитику. Аналитик поможет выявить такие категории товаров и предложит идеи для прототипа системы рекомендаций. Для многих интернет-магазинов таких рекомендаций может оказаться достаточно, чтобы повысить средний чек. Но далее может возникнуть потребность автоматизировать рекомендации и построить модель. Этим уже займется специалист по Data Science.

    Еще больше об этом рассказал Сергей Юдин в интервью «Аналитик данных и data scientist: в чем отличие?»

  • Если я студент, могу ли я поступить на программу «Специалист по Data Science»?

    Да, но диплом о профессиональной переподготовке можно получить только после окончания вуза при предоставлении диплома.

  • Могу ли я заниматься на своем ноутбуке?

    Да, вы можете приходить со своим ноутбуком. Также можно использовать компьютеры университета — все занятия проходят в компьютерных классах.

ФПМИ МФТИ Профессия DATA SCIENTIST

Меня зовут Кузнецова Анна. Мои профессиональный опыт включает позиции финансового бизнес-партнера и бизнес-контролера в ряде брендовых зарубежных и некоторых российских компаниях. Мое образование – бакалавриат, магистратура и аспирантура экономического факультета МГУ им. М.В. Ломоносова. Мне 42 года.

С мая 2021 года я обучаюсь на программе Data scientist в ФПМИ МФТИ, которая состоит из трех блоков-курсов: Python для анализа данных, Математика для анализа данных, Методы анализа данных и машинное обучение (МАДМО). Раньше никакого опыта программирования или навыков работы в машинном обучении и анализе данных у меня не было.

Я решила пойти на данную программу, чтобы изучить современные подходы в обработке данных и улучшить навыки прогнозирования, а главное — скорость обработки финансовых данных с целью дальнейшего использования в управленческом учете.

Оказалось, что машинное обучение и анализ данных – это потрясающе интересно!!! Я учусь с удовольствием. Из плюсов курса можно отметить:

— Основное — курс составлен ОЧЕНЬ КАЧЕСТВЕННО, поскольку направлен на понимание, смысл, содержание и умение создавать самому, что бесценно, а не на поверхностное и бездумное применение чьих-то готовых решений.

— Курс является оптимальной комбинацией теории и практики. В частности, блок математики охватывает 5 предметов и разбор всех необходимых типов задач. Программирование содержит хорошо структурированные по сути дела буквари и примеры применения по всем основным темам языка python. На курсе МАДМО Вы не только пройдете теорию, но и сами сделаете не менее 9 обработок данных различных форматов для различных отраслей. Курс, по мнению преподавателя, содержит все необходимые знания для позиции Data Scientist.

— Курс отличается хорошо продуманной и структурированной программой: математика и программирование в Питоне, на их основе – МАДМО. При условии КАЧЕСТВЕННОЙ проработки первых двух этапов, полученных знаний вполне достаточно, чтобы пройти МАДМО.

— Удобная система сдачи домашних заданий: любое д/з можно доработать и досдать, преподаватели всегда в контакте с учениками, можно получить ответ на любой вопрос в процессе выполнения работ. И в принципе преподаватели действительно оказывают помощь, дают подробные ответы на вопросы и нацелены на то, чтобы Вы знали.

— Курс содержит много дополнительных материалов и визуализаций, помогающих хорошо усвоить программу. Преподаватели очень конструктивные, все подробно объяснят, даже если вы по три раза спросите, правда ли, что дважды два четыре)))

— Все материалы курса остаются в личном кабинете в виде видео и ссылок на презентационные материалы и статьи. На эти материалы всегда можно опереться при решении своих текущих задач на работе.

— Ценовая политика предусматривает мотивацию для прохождения всех трех блоков курса.

— Если вам что-то в курсе не нравится, Вы можете дать обратную связь, к ней довольно быстро прислушиваются.

И несколько небольших советов, если Вы решитесь пойти учиться на курс Data Scientist в ФПМИ МФТИ:

1. Пожалуйста, сразу настройтесь, что для обучения нужно будет потрудиться и системно выделять время. Почитать раз в пару недель чего-нибудь и как-нибудь и при этом все сдать не получится.

2. Задавайте как можно больше вопросов и проясняйте все, что Вам не понятно. Вам обязательно ответят.

3. Перед прохождением курса по математике, пожалуйста, не игнорируйте совет обновить знания школьной программы. Пожалуйста, имейте в виду, что если вы учились в школе более 10 лет назад, уровень школьной математики стал выше.

4. Если Вы не решаетесь пойти на этот курс потому, что у Вас нет профильного образования, Вы думаете Вам много лет, Вам мало лет, в МФТИ все очень умные, а Вы не из МФТИ, Вы думаете, что разбираться в МО – это как слетать на Луну и т.д., то имейте, пожалуйста, в виду, что это не имеет никакого значения. У меня непрофильное образование, мне 42 года и серьезно училась я последний раз в 2007 году. Главное – это намерение потрудиться и интерес к предмету. Ведь Вы будете не одни, а в группе единомышленников!!!)))

Желаю правильного выбора пути и удачи всем, кто читает этот отзыв!

С уважением,

Кузнецова Анна

Advanced Data Science with IBM

Навыки, которые вы приобретете

  • Data Science
  • Internet Of Things (IOT)
  • Глубокое обучение
  • Apache Spark
  • Статистика
  • )

Об этой специализации

15 583 недавних просмотров

Как завершивший специализацию, сертифицированный Coursera, вы будете иметь проверенное глубокое понимание массивной параллельной обработки данных, исследования и визуализации данных, а также расширенного машинного и глубокого обучения. Вы поймете математические основы всех алгоритмов машинного обучения и глубокого обучения. Вы можете применять знания в практических случаях, обосновывать архитектурные решения, понимать характеристики различных алгоритмов, фреймворков и технологий и то, как они влияют на производительность и масштабируемость модели.
Если вы выберете эту специализацию и получите сертификат специализации Coursera, вы также получите цифровой значок IBM. Чтобы узнать больше о цифровых пропусках IBM, перейдите по ссылке ibm.biz/badding.

Учащиеся будут создавать полностью масштабируемые конвейеры сквозной интеграции данных, машинного обучения и глубокого обучения, используя наиболее известные и широко используемые платформы и технологии, такие как Apache Spark, scikit-learn, SparkML, SystemML, TensorFlow, Keras, PyTorch, DeepLearning4J, Apache. CouchDB и MQTT.

Совместно используемый сертификат

Совместно используемый сертификат

Получите сертификат по завершении

100 % онлайн-курсы

100 % онлайн-курсы

Начните сразу и учитесь по собственному графику.

Гибкий график

Гибкий график

Устанавливайте и соблюдайте гибкие сроки.

Продвинутый уровень

Продвинутый уровень

Предназначен для тех, кто уже работает в отрасли.

Часов до завершения

Приблизительно 4 месяца до завершения

Рекомендуемый темп 5 часов в неделю

Доступные языки

Английский

Субтитры: английский, арабский, французский, португальский (европейский), итальянский, вьетнамский, немецкий, русский, испанский, китайский (упрощенный)

Общий сертификат

Общий сертификат

Получите сертификат по завершении

100% онлайн-курсы

100% онлайн-курсы

Начните сразу и учитесь по собственному графику.

Гибкий график

Гибкий график

Устанавливайте и соблюдайте гибкие сроки.

Продвинутый уровень

Продвинутый уровень

Предназначен для тех, кто уже работает в отрасли.

Часов на выполнение

Приблизительно 4 месяца на выполнение

Предлагаемый темп 5 часов в неделю

Доступные языки

Английский

Субтитры: английский, арабский, французский, португальский (европейский), итальянский, вьетнамский, немецкий, русский, испанский, китайский (упрощенный)

Как работает специализация

Пройти курсы серия курсов, которые помогут вам овладеть навыком. Для начала зарегистрируйтесь на специализацию напрямую или просмотрите ее курсы и выберите тот, с которого вы хотите начать. Когда вы подписываетесь на курс, являющийся частью специализации, вы автоматически подписываетесь на полную специализацию. Можно пройти только один курс — вы можете приостановить обучение или отменить подписку в любое время. Посетите панель учащегося, чтобы отслеживать зачисление на курс и свой прогресс.

Практический проект

Каждая специализация включает практический проект. Вам нужно будет успешно завершить проект(ы), чтобы завершить специализацию и получить сертификат. Если специализация включает в себя отдельный курс для практического проекта, вам нужно будет пройти все остальные курсы, прежде чем вы сможете приступить к нему.

Получение сертификата

Когда вы закончите каждый курс и завершите практический проект, вы получите сертификат, которым сможете поделиться с потенциальными работодателями и своей профессиональной сетью.

Инструкторы

Ромео Кинцлер

Главный специалист по данным, руководитель курса

IBM Watson IoT

507 612 Курсы 9008 4

Николай Манчев

Senior Data Scientist

IBM EMEA Data Science ( 2015-2019)

42 502 Учащиеся

1 Курс

Никетан Пансаре

Старший инженер-программист

IBM Research

51 658 Учащиеся

1 Курс

Том Хэнлон

Директор по обучению

Skymind

2 9104 Учащиеся 0098 1 Курс

Макс Пумперла

Инженер по глубокому обучению

51 658 Учащиеся

1 Курс

Илья Расин

Data Scientist

IBM Watson Health

51 658 Учащиеся

1 Курс

Предлагает

IBM

IBM — мировой лидер в трансформации бизнеса с помощью открытой гибридной облачной платформы и искусственного интеллекта, обслуживающий клиентов более чем в 170 странах мира. Сегодня 47 компаний из списка Fortune 50 полагаются на IBM Cloud для ведения своего бизнеса, а корпоративный ИИ IBM Watson усердно работает в более чем 30 000 проектов. IBM также является одной из самых важных корпоративных исследовательских организаций в мире, которая 28 лет подряд занимает лидирующие позиции в области патентов. Прежде всего, руководствуясь принципами доверия и прозрачности, а также поддержкой более инклюзивного общества, IBM стремится быть ответственным новатором в области технологий и силой добра в мире.

Часто задаваемые вопросы

Есть вопросы? Посетите Справочный центр для учащихся.

Передовой камень науки о данных | Coursera

Об этом курсе

6 818 недавних просмотров

Этот завершивший проект продемонстрировал глубокое понимание массивной параллельной обработки данных, исследования и визуализации данных, продвинутого машинного обучения и глубокого обучения, а также того, как применять свои знания в реальных условиях. вариант использования, в котором он обосновывает архитектурные решения, доказывает понимание характеристик различных алгоритмов, фреймворков и технологий и того, как они влияют на производительность и масштабируемость модели.

Гибкие сроки

Гибкие сроки

Сброс сроков в соответствии с вашим графиком.

Совместно используемый сертификат

Совместно используемый сертификат

Получите сертификат по завершении

100 % онлайн

100 % онлайн

Начните немедленно и учитесь по собственному графику.

Специализация

Курс 4 из 4 в

Advanced Data Science with IBM Specialization

Advanced Level

Advanced Level

Часов для прохождения

Прибл. 8 часов на выполнение

Доступные языки

Английский

Субтитры: арабский, французский, португальский (европейский), китайский (упрощенный), русский, английский, испанский

Гибкие сроки

Гибкие сроки

Сбрасывайте сроки в соответствии с вашим графиком.

Общий сертификат

Общий сертификат

Получите сертификат по завершении

100% онлайн

100% онлайн

Начните сразу и учитесь по собственному графику.

Специализация

Курс 4 из 4 в

Расширенный курс обработки и анализа данных со специализацией IBM

Продвинутый уровень

Продвинутый уровень

Часов для прохождения

Прибл. 8 часов

Доступные языки

Английский

Субтитры: арабский, французский, португальский (европейский), китайский (упрощенный), русский, английский, испанский

Преподаватель

Ромео Кинцлер

Главный специалист по данным, руководитель курса

IBM Watson IoT

507 612 Курсы 9008 4

Предлагается

IBM

IBM — мировой лидер в преобразовании бизнеса с помощью открытой гибридной облачной платформы и искусственного интеллекта, обслуживая клиентов в более чем 170 странах мира. Сегодня 47 компаний из списка Fortune 50 полагаются на IBM Cloud для ведения своего бизнеса, а корпоративный ИИ IBM Watson усердно работает в более чем 30 000 проектов. IBM также является одной из самых важных корпоративных исследовательских организаций в мире, которая 28 лет подряд занимает лидирующие позиции в области патентов. Прежде всего, руководствуясь принципами доверия и прозрачности, а также поддержкой более инклюзивного общества, IBM стремится быть ответственным новатором в области технологий и силой добра в мире.

Обзоры

4.6

Заполненная звезда Заполненная звезда Заполненная звезда Заполненная звезда Наполовину заполненная звезда

68 отзывов

  • 3

    5 звезд 0006

  • 4 звезды

    14,89 %

  • 3 звезды

    3,98%

  • 2 звезды

    1,86%

  • 3 %

    9,023

ЛУЧШИЕ ОТЗЫВЫ ОТ ADVANCED DATA SCIENCE CAPSTONE

Заполнено StarFilled StarFilled StarFilled StarStar

от MBApr 17, 2020

Трудно понять . .. нашел много помощи на дискуссионных форумах

Заполнено StarFilled StarFilled StarFilled StarStar

от JP3 января 2020 г. Но систему рецензирования можно улучшить: получение отзыва занимает длительный период времени (несколько дней).

Filled StarFilled StarFilled StarFilled StarFilled Star

от AP 13 марта 2019 г.

Замечательный опыт разработки и презентации реального проекта!

Filled StarFilled StarFilled StarFilled StarFilled Star

от DT16 июня 2019 г.

Мне понравился этот курс. Это заставило меня задуматься. Это заставило меня пересмотреть все предыдущие курсы. Это вынудило меня выйти из зоны комфорта и войти в зону истинного обучения.

Просмотреть все отзывы

О специализации IBM Advanced Data Science

Как завершивший специализацию с сертификатом Coursera, вы получите подтвержденное глубокое понимание массивной параллельной обработки данных, исследования и визуализации данных, а также расширенного машинного обучения и глубокого обучения.