Курс «Аналитик данных»

Аналитик данных

Специалист, который занимается извлечением, анализом и интерпретацией данных с целью выявления закономерностей, трендов и паттернов, используя различные методы статистики, машинного обучения и анализа данных

Получите дополнительное профессиональное образование в области искусственного интеллекта
Более 80% от стоимости обучения оплатит Государство!

3 месяца обучения по 2-3 часа в день. Всего 260 часов

удостоверение по окончании

помощь в трудоустройстве

зарплата
от 120 тыс.  в месяц

Курс нацелен на получение компетенций, необходимых для профессиональной деятельности аналитика данных для разработки и применения технологических решений в области искусственного интеллекта и в смежных областях.

Курс включает изучение методов и инструментальных средств решения задач искусственного интеллекта. Вы научитесь анализировать данные с помощью сервисов аналитики и BI-инструментов, освоите Python и SQL. Программа нацелена на формирование навыков применения методов обработки и хранения больших данных современными инструментами, а также навыков применения методов математической статистики, машинного обучения, глубокого обучения и интеллектуального анализа данных для решения прикладных задач.

Программа построена по модульному принципу, предполагает изучение теоретического материала и практическую отработку полученных знаний.

Для оценки уровня знаний вы выполните практические кейсы и пройдете тестирование.

преимущества курса
Можно осваивать параллельно с получением среднего профессионального образования или высшего образования, основной работой без отрыва от производства
В основе – передовые и наиболее востребованные методы, приемы, технологии работы с большими данными
Использование современного программного обеспечения
Дистанционный формат, удобный график и темп обучения
Персональное сопровождение и поддержка обучаемых
Интерактивный формат подачи учебного материала

курс подойдет

для студентов колледжей и вузов

для начинающих специалистов в области ИТ

для получения прибыльной ИТ-специальности

для всех желающих, имеющих высшее или среднее профессиональное образование (базовое математическое или техническое образование)

чему вы научитесь
Применять методы сбора, очистки и визуализации данных, используя инструменты и языки программирования
Использовать основы статистики для выявления закономерностей, тенденций и важных показателей в данных
Применять методы машинного обучения и создавать модели для прогнозирования будущих событий на основе данных
Эффективно извлекать данные из баз данных, проводить запросы и использовать SQL для анализа данных
Работать с BI-инструментами, для создания информативных дашбордов и отчетов
Использовать результаты анализа данных для принятия бизнес-решений, предоставляя ценную информацию и рекомендации на основе данных
кто может учиться
Граждане РФ – жители всех регионов России, если:
  • старше 18 лет и не достигли пенсионного возраста
  • имеют среднее профессиональное / высшее образование или являются студентами вуза / колледжа
  • имеют достаточный уровень базовых знаний в сфере ИТ и могут справиться со вступительным испытанием

Выпускники программы «Цифровые профессии» в 2022-23 годах (выпускники всех курсов 1Т Спринт) также могут подать заявку и обучаться на курсах по программе «Искусственный интеллект»

Стоимость обучения
10 000 
70 000 

*60 000 оплачивает государство

В рамках федерального проекта
«Искусственный интеллект»

Как записаться на курсы
01
Оставьте заявку на нашем сайте.
02
Заполните анкету участника и пройдите диагностику.
03
Дождитесь успешной проверки анкеты и запишитесь на программу в каталоге проекта.
04
По итогам успешного вступительного испытания заключите договор на обучение со скидкой от государства с Финансовым университетом.
Программа курса
Раздел 1. Введение в анализ данных
  1. Введение в анализ данных. Профессия Аналитик данных
  2. Основы искусственного интеллекта
Раздел 2. Инструменты, библиотеки и технологии анализа данных
  1. Основы языка Python
  2. Работа с библиотеками Python
  3. Сетевое программирование на Python
  4. Системы обработки и анализа больших массивов данных (Hadoop, ETL, Spark и др.)
Раздел 3. Технологии хранения и обработки больших данных
  1. Модели данных
  2. Введение в теорию реляционных БД
  3. Реляционные СУБД. Основы языка SQL
  4. Оптимизация выполнения запросов
  5. Базы данных NoSQL
  6. Массово-параллельная обработка и анализ данных
  7. Введение в СУБД GreenPlum
  8. Введение в СУБД Clickhouse
  9. Платформы обработки данных
  10. Дашборды. Понятие и визуальные приемы для построения
Раздел 4. Математическое моделирование, машинное обучение и оптимизация
  1. Базовые понятия теории вероятности
  2. Статистические методы анализа данных
  3. Сплит тестирование
  4. Математические основы машинного обучения (линейная алгебра, статистика, оптимизация)
  5. Методы анализа больших данных (регрессия, классификация, кластеризация, ассоциативные правила)
  6. Методы машинного обучения
  7. Построение моделей машинного обучения (регрессия, классификация, кластеризация, нейросети)
  8. Инструменты анализа данных и Machine Learning (Rapid Miner)
Раздел 5. Глубокое обучение и нейронные сети
  1. Введение в искусственные нейронные сети и глубокое обучение
  2. Обучение искусственных нейронных сетей. Представление объектов в виде векторов малой размерности
  3. Рекуррентные нейронные сети
  4. Механизм внимания для искусственных нейронных сетей
  5. Обучение с подкреплением
Раздел 6. Продвижение продукта. Бизнес-метрики
  1. Введение в продуктовую аналитику
  2. Ключевые метрики роста продукта
модули

Модуль 1.

Базовый

Модуль предполагает введение в содержание профессии «Аналитик данных». Отдельные темы посвящены изучению инструментов анализа данных: Python, Jupyter Notebook, библиотеки Python, Hadoop, ETL, Spark и др.; изучению технологий хранения и обработки больших данных: БД, SQL, MPP, Postgres, GreenPlum, моделирование данных, построение дашбордов с помощью Superset

Модуль 2.

Профильный

Модуль предполагает знакомство с математическим моделированием, машинным обучением, оптимизацией и обучением нейронных сетей. Отдельные темы посвящены введению в теорию вероятности и математическую статистику, A/B-тестированию, математическим основам машинного обучения, методам анализа больших данных (регрессия, классификация, кластеризация, ассоциативные правила). Будут рассмотрены архитектура нейронных сетей, обучение нейронных сетей с помощью TensorFlow и Keras, способы использования предварительно обученных моделей для классификации изображений и других задач, продвижение продукта, бизнес-метрики.