CRM-форма появится здесь

АНАЛИТИК ДАННЫХ

О ПРОГРАММЕ

Программа «Аналитик данных» направлена на формирование компетенций в области сбора, обработки, анализа и интерпретации результатов анализа данных. В рамках программы рассматриваются различные аналитические подходы, которые понадобятся при работе над реальными задачами, включая технологии парсинга данных из открытых источников информации, процедуры валидации и кросс-валидации, построения моделей и ансамблирования алгоритмов машинного обучения, MapReduce подход для работы с большими данными и т.д. По итогам прохождения программы будут получены навыки формулирования и проверки гипотез, поиска закономерностей с применением различных методов в среде R, визуализации результатов и формирования выводов.

Курс реализован в виде электронного ресурса с качественными видео-лекциями, и видео практических заданий. В курсе предусмотрено полное методическое сопровождение всех занятий, предоставление доступа к скриптам практических кейсов, каждая лекция заканчивается электронным опросом по материалу в виде теста. Кроме того 2-3 раза в неделю проводятся онлайн-консультации в вечернее время. Также есть чат с поддержкой слушателей и для ответа на все вопросы, возникающие у слушателя.

приглашаем слушателей, имеющих высшее образование

лица, желающие освоить дополнительную профессиональную программу, должны иметь среднее профессиональное или высшее образование.

Очно-заочная форма обучения

При очно-заочной форме занятия проходят в вечернее время и в выходные дни,что позволит легко совмещать обучение с любой другой Вашей деятельностью.

ДИПЛОМ О ПРОФЕССИОНАЛЬНОЙ ПЕРЕПОДГОТОВКЕ

Вследствие успешного завершения обучения Вы получите диплом о профессиональной переподготовке установленного образца. Такой диплом не только является подтверждением Ваших навыков, но и может способствовать карьерному росту, доверию работодателя и возможностям саморазвития.

4 месяца обучения

Программа рассчитана на 4 месяца - 360 академических часов. Группы приступают к занятиям по мере формирования

Стоимость обучения - 50 000 рублей

РЕЗУЛЬТАТЫ ОБУЧЕНИЯ

В результате освоения программы слушатель должен знать:

  • классификацию типов наборов данных;
  • методы сбора и подготовки исходных данных;
  • методы работы с датасетами в R (объединение, селекция, фильтрация, и др.);
  • методы графической поддержки аналитических исследования;
  • методы формирования отчетов в Markdown;
  • методы формирования шайни-документов (графические объекты), в том числе картограммы;
  • технологии семплирования для получения сбалансированных выборок;
  • основные современные методы анализа количественных и факторных данных;
  • методы валидации и кросс-валидации при обучении алгоритмов машинного обучения;
  • алгоритмы машинного обучения – бинарные модели регрессии, модели регрессии (метод лассо и гребневой регрессии); байесовские классификаторы, алгоритмы бустинга, методы деревьев решений и случайного леса);
  • ансамблевые процедуры в машинном обучения;
  • алгоритмы обработки входной информации, с применением современных инструментальных средств;
  • методы предварительной обработки информации (метод главных компонент, кластерный анализ) для возможности применения продвинутых методов анализа данных;
  • метрики качества для оценки алгоритмов машинного обучения;
  • методы опорных векторов для решения задач классификации;
  • методы подбора нелинейного ядра для решения задач методом опорных векторов;
  • методы работы с виртуальной машиной;
  • методы парсинга данных в сети интернет;
  • структуру HTML документа, структуру и параметры HTML тегов, объектную модель DOM;
  • методы интеграции решений на R в Информационные системы.

В РЕЗУЛЬТАТЕ ОСВОЕНИЯ ПРОГРАММЫ СЛУШАТЕЛЬ ДОЛЖЕН Уметь:

  • проводить качественную чистку данных, проводить восполнение данных;
  • восполнять выборку до сбалансированного объема;
  • проводить процедуры валидации и кросс-валидации для обучения алгоритмов машинного обучения;
  • использовать метрики качества для оценки алгоритмов машинного обучения;
  • использовать алгоритмы машинного обучения для решения задач классификации;
  • использовать алгоритмы машинного обучения для решения задач регрессии;
  • проводить ансамблирование алгоритмов машинного обучения для повышения точности решения задач классификации и регрессии;
  • применять техники сэмплирования для восполнения баланса выборок, используя средства среды R Studio;
  • строить модели на основе алгоритмов машинного обучения для решения задач регрессии и классификации;
  • использовать методы машины опорных векторов для задач классификации;
  • использовать наивный байесовский классификатор для классификации текстовых сообщений;
  • проводить оценку качества алгоритмов машинного обучения;
  • ориентироваться в стандарте исключений для роботов сайта;
  • извлекать HTML тексты и анализировать их содержимое с помощью библиотек R;
  • формировать отчеты в R Markdown в виде pdf, Word и HTML страниц ( в том числе проводить широкую графическую поддержку анализа).  

ПРОГРАММА

МОДУЛЬ 1. ВВЕДЕНИЕ В КУРС АНАЛИЗА БОЛЬШИХ ДАННЫХ

МОДУЛЬ 2. ОСНОВНЫЕ ЗАДАЧИ И РАБОТА С ДАННЫМИ

МОДУЛЬ 3. ПАРСИНГ ИНФОРМАЦИИ

МОДУЛЬ 4. МЕТОДЫ РЕГРЕССИИ

МОДУЛЬ 5. МЕТОДЫ КЛАССИФИКАЦИИ

МОДУЛЬ 6. БАЙЕСОВСКИЙ КЛАССИФИКАТОР


МОДУЛЬ 7. ДЕРЕВЬЯ РЕШЕНИЙ, СЛУЧАЙНЫЙ ЛЕС И БУСТИНГИ

МОДУЛЬ 8. БАЛАНСИРОВАНИЕ ВЫБОРОК

МОДУЛЬ 9. МАШИНА ОПОРНЫХ ВЕКТОРОВ

МОДУЛЬ 10. СТАЖИРОВКА

МОДУЛЬ 11. MAPREDUCE-ПОДХОД В АНАЛИЗЕ БОЛЬШИХ ДАННЫХ И ЭКОСИСТЕМА HADOOP

ИТОГОВАЯ АТТЕСТАЦИЯ

КАК ПРОХОДИТ ОБУЧЕНИЕ?

курс реализован в виде электронного ресурса с качественными видео-лекциями, и видео практических заданий. В курсе предусмотрено полное методическое сопровождение всех занятий, предоставление доступа к скриптам практических кейсов, каждая лекция заканчивается электронным опросом по материалу в виде теста. Кроме того 2-3 раза в неделю проводятся онлайн-консультации в вечернее время. Также есть чат с поддержкой слушателей и для ответа на все вопросы, возникающие у слушателя.

преподаватели

Наша команда высококвалифицированных преподавателей готова оказать вам квалифицированную поддержку на каждом этапе прохождения курсов. Мы предлагаем не только тщательно разработанные учебные материалы, но и индивидуальный подход к каждому ученику. Наши преподаватели обладают большим опытом работы и глубокими знаниями в своей области, что позволяет им помогать вам разобраться с любыми вопросами и сложностями. Уверенно двигайтесь к своим целям вместе с нашей командой профессионалов!
Image description
  • Образование: высшее, квалификация – математика, к.т.н., доцент, заведующая лабораторией исследования социально- экономических проблем регионов.
    Стаж работы в вузе: 23 года.
    Победитель (трижды в 2018 -2020 гг.) всероссийского грантового конкурса среди преподавателей по машинному обучению от фонда Botan Investment.
    Победитель Всероссийского конкурса Национальной ассоциации инноваций и развития информационных технологий (НАИРИТ) при поддержке РАН.
    Член Российской ассоциации статистиков, эксперт Рособрнадзора Российской Федерации с 2014 г.
    Более 160 научных трудов, из них 36 – Web of Science и Scopus (8 публикаций -Q1-Q2).

Лакман
Ирина
Александровна

Руководитель
Image description
  • Образование: высшее, квалификация – экономист, д.э.н., доцент, зам. заведующего лаборатории исследования социально-экономических проблем регионов.
    Стаж работы в вузе: 19 лет.
    Более 100 научных трудов, из них 25 – Web of Science и Scopus (6 публикаций -Q1-Q2).

Тимирьянова
Венера
Маратовна

Преподаватель