data science обучение бесплатно на русском языке
7 бесплатных курсов по Data Science для начинающих
Большие данные перестали быть просто модным словом и теперь применяются в сферах от IT до ритейла. Самое время начать разбираться в моделях анализа данных, погрузиться в массивы информации и получить опыт в интересном направлении — Data Scientist. Держите курсы, в которых изучите теорию и наберетесь практики. Профи не станете, но первый шаг сделаете.
1. A crash course in Data Science
Курс хочет быстро научить разбираться в работе с большими данными. Здесь не будет кучи технических терминов — всё сосредоточено на понимании общих принципов больших данных: основные термины, роль больших данных в бизнесе, основные инструменты, используемые для работы с большими объемами информации. В общем, хороший курс для знакомства с темой.
2. Building a Data Science Team
На этом курсе речь пойдет о команде аналитики больших данных. Узнаете какие роли должны быть в команде, как управлять такими командами, как подобрать подходящих специалистов и эффективно выстроить рабочий процесс.
3. The Data Scientist’s Toolbox
Время практики! Авторы курса дают обзор типов данных, рассказывают о подходах и методологиях обработки информациии. После вводной теории, вас познакомят с инструментами для работы: Git, R и RStudio — самые популярные штуки, которые помогают обрабатывать массивы информации, и украсят резюме дата майнера!
4. Stepic Contest. Data Science
Еще одно обзорное путешествие в мир больших данных. Крутизна курса заключается в его умении автоматически адаптироваться под любой уровень знаний студента. Stepik недавно запустили самонастраиваемые программы, поэтому советуем скорее оценить на благо знаний и улучшения сервиса 🙂
5. Data Science Essentials
Как собирать данные, подготавливать массивы к обработке, извлекать из них пользу и визуализировать результаты — всему научат на курсе! Будет много практики с применением Microsoft Azure Machine Learning, R и Python. Познакомитесь с процессами передачи данных между хранилищами, поработаете со статистикой больших данных и даже прокачаетесь в машинном обучении.
6. Data Science
Если с программированием у вас не очень — не отчаивайтесь. Не одним R и Python можно проложить путь в Data Science, потому что на помощь придет Excel. В этом курсе узнаете всё про обработку данных с помощью старого доброго Excel.
Самообучение в Data science, с нуля до Senior за два года
Хочу поделиться методами освоения Data science с нуля человеком из другой ИТ специальности. Цель: дать понять, подходит ли Вам эта специальность в принципе, и рассказать про эффективные подходы к самообучению, которые мне помогли (отдельно планирую потом детальные статьи по отдельным темам).
Отличные материалы уже существуют по большинству конкретных тем, я сам по ним учился.
Думаю, многим будут полезны «мета» материалы о том, как выбирать курсы и статьи, по которым учиться. Например, я пересмотрел десятки статей и книг, пробовал много разных он-лайн курсов, но полезной оказалась лишь малая часть всего доступного. Надеюсь, что смогу серьезно сэкономить вам время и помочь достигнуть большего, показав более эффективный путь самообучения.
И важно сказать сразу: я верю, что любой человек с аналитическими способностями и структурным мышлением может стать специалистом по машинному обучению/data science. Еще 4 года назад я сомневался, потеряв веру в свои математические способности из-за преподавателей университета. Теперь верю: основы машинного обучения и минимально необходимую математику сможет выучить любой сильно замотивированный человек.
Когда я понял, что скоро мне стукнет 30 лет, решил уйти в другую сферу и переехать из РФ. В своей сфере (1С) я был карьерно успешен, но стало ясно, что дальнейший рост очень затруднителен и требует выполнять работу, которая мне неинтересна и почти противна.
Через полгода перебора вариантов решил, что Data science мне интереснее всего.
Ещё через год имел достаточную квалификацию и прошёл собеседование на работу в Чехии (оговорка: у меня еще до этого было неплохое знание английского).
Ещё через год стал Senior Data scientist в Vodafone (мой LinkedIn).
Мне помогло то, что до этого я сформировал привычки к самообразованию, а экономность не позволила мне пойти по самому простому пути: найти онлайн курс с именитыми преподами, заплатить им много денег и довериться, что они всему научат лучше всего. В итоге я перебирал много бесплатно доступных книг и курсов (книги часто были найдены на b-ok.org). Из всех курсов и книг отбирал самые лучшие, забрасывая то, что казалось слишком теоретизированными или плохо структурированным.
На основе этих десятков книг и курсов я и сформировал то мнение, которым хочу поделить. Вероятно, существует еще более эффективный и быстрый способ научится этому всему. То, как учился я, было всего-лишь быстрее большинства платных программ, которые я видел, и заодно бесплатным (на многие лучшие англоязычные курсы всегда можно записаться бесплатно; покупал я только книги русских авторов и пару книг, которые иначе не смог найти).
Сначала надо понять, что такое Data science/машинное обучение и подойдет ли оно вам
Потому что если это просто модное слово и вы хотите получать много денег или работать в Гугл, то легче заработать на позиции маркетолога или веб-аналитика, и это тоже достаточно аналитичная работа.
Если вы человек творческий, возможно, разработка интерфейсов (фронтенд, мобильные приложения) вам подойдёт больше.
Если вы от природы аналитик и любите разбираться в данных, но программирование вас не заинтересует, а на изучение всей математики вам не хватает времени, стоит выбрать тот же самый учебный путь! Просто сделать акцент на мнее математических задачах, и не лезть в программироване сложных систем. Аналитики, знающие основы data science, тоже нужны в компаниях.
Важно, чтобы работа зажигала. Без искреннего интереса «грызть» Data science будет тяжело, потому что надо разобраться в куче нюансов, особенно если у вас нет за плечами хороших знаний в статистике, линейной алгебре и мат.анализе.
Как понять, будет ли вам интересно заниматься именно data science?
Мне кажется, что идеально эту роль выполняет книга Datasmart (выше писал сайт, на котором я нашёл её бесплатно). На русский она тоже переведена: «Много цифр. Анализ больших данных при помощи Excel, Джон Форман». Хотя, если вы хотите работать в data science, знание английского необходимо (технический английский выучить намного легче разговорного, и это будет очень полезно для любой работы в ИТ).
Эта книга показывет многие из технических методов Data science на уровне интуиции и даёт сразу достаточно детальное представление о решаемых задачах и где в бизнесе можно применить данные модели.
Если эта книга не вызовет интерес разобраться во всех указанных алгоритмах детальнее, вероятно, работа в data science не для вас.
Если книга интересн вызовет, но вам также хочется больше программировать, скорее всего, вам интересно будет стать machine learning engineer. Разница между data scientist и machine learning engineer в том, что первый должен общаться с людьми и понимать, какую задачу имеет смысл решать, а второй должен уметь состыковать программы с «искусственным интеллектом» с другими ИТ системами, мобильными телефонами или требованиями обрабатывать огромные объемы данных.
Что учить
Если вы решили, что готовы «грызть гранит науки», то в образовании специалиста data science есть два кита:
Непосредственные методы Data science, которые стоят на трёх математических черепахах: теории вероятностей и статистике, линейной алгебре и основах мат.анализа (только основах, там требуется минимум сверх школьного курса «алегбра и начало анализа»). Кстати, вся эта математика далеко не так сложна. Проблема в том, что её плохо и неинтересно объясняют во многих вузах. Позже поделюсь советами, как её можно легче освоить.
Программирование на Python (+SQL и подобные), которое позволит применить все изученные методы с помощью логичных и простых в своей сути библиотек готовых функций.
Даже примерный учебный план для изучения методов Data science требует отдельного поста. Ниже напишу чуть подробнее про Python и SQL
Английский необходим!
Принципы эффективного обучения
Программирование: что и как учить?
Что такое SQL и зачем его учить?
SQL является стандартом для получения данных в нужном виде из разных баз данных. Это тоже своеобразный язык программирования, который дополнительно к своему основному языку используют многие программисты. Большинство самых разных баз данных использует один и тот же язык с относительно небольшими вариациями.
Как учить SQL:
Наберите в Гугле «sql tutorial» и начните учиться по первой же ссылке. Если она вдруг окажется платной, выберете другую. По SQL полно качественных бесплатных курсов.
На русском языке тоже полно курсов. Выбирайте бесплатные.
На изучение достаточно всего лишь от 10 часов (общее понимание), до 20 часов (уверенное владение большей частью всего необходимого).
Почему именно Python?
У всех других языков программирования какие-либо специализированные библиотеки для машинного обучения есть только в зачаточном состоянии.
Как учить Python
Прочитать основы и пройти все упражнения с этого сайта можно за 5-40 часов, в зависимости от вашего предыдущего опыта.
После этого варианты (все эти книги есть и на русском):
Learning Python, by Mark Lutz (5 издание). Существует и на русском.
Есть много книг, которые сразу обучают использованию языка в практических задачах, но не дают полного представления о детальных возможностях языка.
Эта книга, наоборот, разбирает Python досконально. Поэтому по началу её чтение будет идти медленнее, чем аналоги. Но зато, прочтя её, вы будете способны разобраться во всём.
Я прочёл её почти целиком в поездах в метро за месяц. А потом сразу был готов писать целые программы, потому что самые основы были заложены в pythontutor.ru, а эта книга детально разжевывает всё.
В качестве практики берите, что угодно, когда дочитаете эту книгу до 32 главы, и решайте реальные примеры (кстати, главы 21-31 не надо стараться с первого раза запоминать детально. Просто пробежите глазами, чтобы вы понимали что вообще Python умеет).
Не надо эту книгу (и никакую другую) стараться вызубрить и запомнить все детали сразу. Просто позже держите её под рукой и обращайтесь к ней при необходимости.
Прочитав эту книгу, и придя на первую работу с кучей опытных коллег, я обнаружил, что некоторые вещи знаю лучше них.
Python Crash Course, by Eric Matthes
Automate the Boring Stuff with Python
Книга хороша примерами того, что можно делать с помощью Python. Рекомендую просмотреть их все, т.к. они уже похожи на реальные задачи, с которыми приходится сталкиваться на практике, в том числе специалисту по анализу данных.
Какие трудозатраты?
Путь с нуля до уровня владения Python, на котором я что-то уже мог, занял порядка 100ч. Через 200ч я уже чувствовал себя уверенно и мог работать над проектом вместе с коллегами.
Следующие статьи по данной теме
Для желающих могу выступить в роли ментора
Как стать Data Scientist, не потратив ни копейки
План состоит из трех частей (технические навыки, теория, практика) и полностью построен на бесплатных материалах. Для тех, кто всё же готов немного инвестировать в самообразование, прикреплены ссылки на курсы, которые ускорят процесс.
Технические навыки
— Советую начинать именно с них, чтобы вы сразу ориентировались на практику, а не уходили в математическую теорию. Самый популярный язык программирования в DS — Python. По опросу Kaggle, который площадка проводила внутри своего сообщества специалистов по обработке данных и машинному обучению в 2018 году, 83% респондентов используют Python ежедневно. Поэтому в первую очередь изучите его, но немного внимания нужно будет уделить кое-каким другим языкам. Например, R.
Основы Python
В сети масса бесплатных вводных курсов, но лично я считаю, что лучшие — это курсы Codecademy: в них много практических заданий, все они выполняются в браузере.
Предлагаю пройти вот этот вводный курс по Python. Здесь изложены основы синтаксиса, функции, поток управления, циклы, модули и классы.
Python и анализ данных
Далее нужно очень хорошо разобраться с тем, как Python используют в анализе данных.
Missed our Black Friday sale? It’s back for a few more days for #CyberWeek. Now through Friday, save big when you make an investment in yourself.View plans: buff.ly/35T4IG8
Опубликовано Dataquest Вторник, 3 декабря 2019 г.
Python и машинное обучение
SQL — обязательный навык для дата-сайентиста, так как одним из ключевых процессов моделирования данных является, прежде всего, их извлечение. В большинстве случаев вам будет нужно уметь запускать SQL-запросы к базам данных.
Вот пара бесплатных ресурсов для тех, кто решил не брать полный курс на Dataquest.
Не ограничивайтесь Python: дата-сайентисту очень полезно владеть языком R, поэтому советую пройти вводный курс ещё и по нему.
Разработка программного обеспечения
Дата-сайентисту будет нелишним освоить навыки и лучшие практики разработки софта: это улучшит читабельность вашего кода, и его будет проще дополнять — как вам самим, так и другим. Кроме того, чтобы выкатывать модели в продакшн, нужно научиться генерировать качественный, хорошо проверенный код и работать с такими инструментами, как системы контроля версий.
В помощь вам — два ресурса:
Глубокое обучение
Самое лучшее и развёрнутое введение в глубокое обучение дают авторы fast.ai — этот ресурс тоже бесплатный, и на нём совершенно нет рекламы.
Курс включает введение в машинное обучение, практические аспекты глубокого обучения, вычислительную линейную алгебру, а также введение в обработку естественного языка с акцентом на программирование. Все курсы на этом сайте объединяет прикладной подход, поэтому очень советую не проходить мимо.
Теория
По ходу изучения технических моментов вам неизбежно будет встречаться теория, которая стоит за кодом.
Призываю вас учить теорию без отрыва от практики.
Например, я изучаю код, чтобы научиться применять какую-то технику (скажем, метод k-средних, KMeans), а когда она сработает, начинаю глубже разбираться с понятиями, которые с ней связаны (например, с инертностью, Inertia).
Математика
Математический анализ (Calculus)
В этом разделе математики рассматривается связь между функцией и её производной, из-за которой изменение одной переменной величины приводит к изменению другой. Матанализ позволяет, например, выявлять паттерны, понимать, как функция меняется с течением времени.
В машинном обучении матанализ помогает оптимизировать производительность алгоритмов. Один из примеров — метод градиентного спуска. Он состоит в том, что при обучении по одному изменяют весовые коэффициенты нейросети для поиска минимального значения функции потерь.
Цепное правило (или Правило дифференцирования сложной функции, Chain rule)
Линейную алгебру (Linear Algebra)
Многие распространённые инструменты машинного обучения, в том числе XGBOOST, для хранения входных данных и обработки данных используют матрицы. Матрицы, наряду с векторными пространствами и линейными уравнениями, изучает линейная алгебра. Уверенное знание этого раздела математики очень важно для понимания механизма многих методов машинного обучения.
Векторы и пространства (Vectors and spaces)
Матричные преобразования (Matrix transformations)
Статистика
Планирование эксперимента (Experiment design)
Машинное обучение (Machine learning)
Практика
Теперь можно приступить к третьей части программы — практическому опыту. Чтобы отточить полученные скиллы, их нужно задействовать в проектах — желательно, чтобы они были похожи на какие-то уже существующие приложения. Попутно перед вами будут возникать разные сложности, но справляясь с ними, вы очень хорошо «прощупаете» предмет и прокачаете свои знания.
Андерс Эрикссон, «Максимум. Как достичь личного совершенства с помощью современных научных открытий»: «Чтобы научиться чему-то, чего вы не умели раньше, нужно постоянно выходить из состояния равновесия и заставлять мозг и тело адаптироваться к изменяющимся условиям».
Kaggle
Конкурсы по машинному обучению — отличная возможность потренироваться создавать модели. Там есть доступ к множеству датасетов, предназначенных для решения отдельных задач. По турнирной таблице можно сравнивать свои успехи с другими участниками. А ещё по результатам вам будет видно, в каких темах у вас пробелы и что нужно подтянуть.
Помимо Kaggle, есть разные другие платформы, где можно попробовать свои силы. Например Analytics Vidhya и DrivenData.
ML-репозиторий UCI
UCI Machine Learning Repository — огромный клад публичных датасетов, которые можно использовать в домашних ML-проектах. Создайте портфолио на GitHub и размещайте проекты в нём. Оно будет не только демонстрировать ваши способности и достижения, но и в дальнейшем может помочь найти работу.
Вклад в Open Source
Участвуйте в чужих проектах. Очень многие Python-библиотеки поддерживаются опенсорс-сообществом. В рамках митапов и конференций часто проводят хакатоны, куда приглашают даже новичков. Это хорошая возможность для взаимного «обмена премудростями»: здесь можно и чему-то научиться у других, и поделиться знаниями. Один из вариантов — хакатон, спонсируемый фондом NumFOCUS.
Практические ресурсы хорошо разнообразят книги по Data Science из этого списка. Все можно найти в открытых источниках.
35 бесплатных онлайн-курсов по Data Science и аналитике данных
Для начинающих с нуля в 2021 году. До уровня PRO. 💪
Также обратите внимание на:
1. «Data Science: будущее для каждого» от «Нетологии»
Длительность курса: 3 урока.
Уровень: для начинающих.
Формат обучения: записи вебинаров + текстовые материалы + тесты + практические задания + общение в закрытом Slack-чате.
Обратная связь: нет.
Программа обучения:
Кто проводит курс
2. «Введение в науку о данных» от СПбГУ
Длительность курса: 89 часов на освоение материала.
Уровень: для начинающих.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно).
Цели обучения. О чём этот курс? Аттестация. Пререквизиты
Общее введение в науку о данных
Примеры реальных задач
Типы данных: маленькие и большие данные
Хранения данных. Форматы файлов
Как подготавливались данные для курса
События и вероятность
Элементы линейной алгебры
Сингулярное разложение матрицы
Обоснование метода сингулярного разложения
Примеры и вычислительные аспекты
Язык программирования Python
Основы программирования на Python
Библиотеки для машинного обучения (Matplotlib)
Библиотеки для машинного обучения (Pandas)
Библиотеки для машинного обучения (Scikit-learn)
Демонстрация получения данных из внешней тестовой коллекции
Демонстрация получения данных из авторской тестовой коллекции
Постановка задачи обучения с учителем
Оценка классификации и выбор модели
Алгоритмические композиции: boosting, stacking, bagging
Постановка задачи обучения без учителя
Принципы выбора модели
Оценка качества обучения
Введение. Алгоритмы иерархической кластеризации
Метрики. Алгоритмы иерархической кластеризации
Что узнаете и чему научитесь:
Кто проводит курс
3. «Введение в Data Science и машинное обучение» от Института биоинформатики
Длительность курса: 30 уроков.
Формат обучения: видеоуроки + тесты + интерактивные задачи.
Программа обучения:
Что освоите:
Преподаватели:
4. «Нейронные сети» от Института биоинформатики
Длительность курса: 24 урока.
Формат обучения: видеоуроки + тесты + интерактивные задачи.
Программа обучения:
Какие знания и навыки получите:
Преподаватели:
5. «Машинное обучение» от ОмГТУ
Продолжительность: 71 урок.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения:
Какие навыки получите:
Преподаватель курса: Артём Шевляков — доктор физико-математических наук, преподаватель ОмГТУ.
6. «Машинное обучение в финансах» от «СберУниверситета»
Длительность: 21 час на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс подходит работникам банковской сферы и студентам профильных вузов. Цель программы — помочь разобраться в основах машинного обучения и возможностях применения ML на практике.
Какие знания/навыки получите:
Об авторах: курс разработан на базе Корпоративного Университета Сбербанка.
7. «Анализ данных в R» от Института биоинформатики
Длительность: 19 уроков.
Форма обучения: видеоуроки + тесты + интерактивные задачи.
Программа обучения: курс подойдёт старшеклассникам, а также всем, кто хочет сменить сферу деятельности, и погрузиться в мир аналитики и программирования. Первая часть посвящена основам программирования, вторая — работе в R Markdown.
Какие навыки приобретёте:
Об авторах: курс разработан специалистами Института биоинформатики.
8. «Анализ данных в Google Analytics» от Андрея Осипова
Длительность: 29 уроков.
Формат обучения: видеоуроки + тесты.
Программа обучения: материал посвящён основным инструментам для анализа данных и принятия решений в Google Analytics. Курс подойдёт всем желающим освоить Google Analytics, а также тем, кто хочет повысить эффективность бизнеса без привлечения специалистов.
Чему научитесь:
Об авторе: Андрей Осипов — сертифицированный спикер Google, практикующий веб-аналитик.
9. «Теория вероятностей для начинающих» от МФТИ
Длительность: 23 часа на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс знакомит слушателей с основами предмета, и рассчитан на широкую аудиторию. Также программа будет полезна тем, чья деятельность напрямую связана с математикой.
Какие навыки получите:
Об авторах: курс подготовлен при содействии МФТИ.
10. «Анализ данных просто и доступно» от Игоря Клейнера
Длительность: 106 уроков.
Формат обучения: видеоуроки + тесты.
Программа обучения:
Об авторе: Игорь Клейнер — экс-сотрудник Huawei, Intel, Skype, Microsoft, Infowatch. Преподаватель открытого университета Израиля.
11. «Математические методы в психологии. Основы применения» от СПбГУ
Длительность: 59 часов на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс рассчитан на математиков и практикующих психологов. Он поможет овладеть статистическими моделями Также программа подойдёт начинающим аналитикам.
Какие навыки получите:
Об авторах: курс подготовлен на базе Санкт-Петербургского государственного университета.
12. «Базовые навыки Excel» от SF Education
Длительность: 29 уроков + 18 тестов.
Формат обучения: видеоуроки + тесты.
Программа обучения: курс посвящён основам работы в программе Excel. Он будет полезен менеджерам, предпринимателям, начинающим программистам, бухгалтерам и финансистам. Курс поможет ускорить выполнение рутинных задач, связанных с отчётами и аналитикой.
Какие навыки получите:
Об авторах: курс создан при поддержке образовательной платформы SF Education. Эксперт курса — Ильнар Фархутдинов, директор по корпоративным финансам группы компаний «Инвэнт».
13. «Квантовые вычисления» от СПбГУ
Длительность: 14 часов на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс даёт базовые навыки в области проектирования и анализа квантовых алгоритмов. Программа рассчитана на студентов профильных вузов, инженеров, физиков, математиков.
Какие знания и навыки получите:
Об авторах: курс создан на базе Санкт-Петербургского государственного университета. Преподаватель — Сысоев Сергей, кандидат физико-математических наук.
14. «Анализ данных» от РЭУ им. Г.В. Плеханова
Длительность: 20 уроков.
Формат обучения: видеоуроки + тесты.
Программа обучения: курс подойдёт тем, кто хочет погрузиться в статистику и понять принципы анализа данных с дальнейшей возможностью применения навыков на практике.
Какие навыки получите:
Об авторах: курс разработан на базе кафедры статистики РЭУ им. Г.В. Плеханова.
15. «Практики оперативной аналитики в MS Excel» от СПбГУ
Длительность: 12 часов на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс подойдёт всем, кому необходимо проведение анализа статистических данных. В ходе обучения студенты научатся работать с базовыми инструментами MS Excel для решения задач бизнеса.
Чему научитесь:
Об авторах: курс создан при поддержке Санкт-Петербургского государственного университета.
16. «Исследование статистических взаимосвязей» от НГУ совместно с «2ГИС»
Длительность: 21 час на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели:
17. «Основы статистики» от Института биоинформатики
Длительность: 29 уроков.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс знакомит слушателей с дисперсионным, регрессионным и кластерным статистическим анализом. Акцент сделан на математические идеи, интуицию и логику. Курс рекомендован старшеклассникам, студентам, научным сотрудникам. Он подойдёт как новичкам, так и тем, кто уже знаком с обработкой и анализом данных. В данный момент программа находится на стадии пересмотра и редактирования.
Чему научитесь:
Преподаватель:
18. «Знакомство с R и базовая статистика» от СПбГУ
Длительность: 20 часов на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс ориентирован на обработку данных и знакомство с языком программирования R. Часть программы посвящена графикам, диаграммам и другим средствам визуализации. Курс подойдёт для знакомства со статистикой начинающим программистам.
Какие навыки получите:
Об авторах: курс разработан на основе образовательной программы Санкт-Петербургского государственного университета.
19. «Статистика для гуманитариев» от ТГУ
Длительность: 111 уроков.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс нацелен на ознакомление слушателей с базовыми методами и принципами статистического анализа данных. Часть программы посвящена освоению прикладных программ, которые могут пригодиться для выполнения анализа на практике. Ориентировочная нагрузка — 10-12 часов в неделю.
Какие навыки получите:
Об авторах: курс подготовлен на базе Томского государственного университета.
20. «Эконометрика» от НИУ ВШЭ
Длительность: 30 часов на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: курс посвящён работе с данными и изучению линейных регрессионных моделей. Также слушатели получат хороший опыт работы в R. Для успешного прохождения необходимо базовое понимание математической статистики, теории вероятностей и линейной алгебры.
Какие навыки получите:
Об авторах: курс подготовлен на базе Высшей школы экономики. Лектор — Борис Демешев, старший преподаватель факультета экономических наук ВШЭ.
21. «Быстрый старт в искусственный интеллект» от МФТИ
Длительность: 23 урока.
Формат обучения: видеоуроки + текстовые материалы + тесты + интерактивные задачи.
Программа обучения: курс знакомит с основными областями искусственного интеллекта. Программа рассчитана на старшеклассников из классов с математическим уклоном и студентов технических специальностей.
Чему научитесь:
Преподаватели:
22. «Введение в информационный поиск» от МФТИ совместно с Mail.ru Group
Длительность: 33 часа на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: в ходе обучения слушатели познакомятся с устройством и особенностями работы поисковых систем изнутри. В качестве итоговой работы предлагается самостоятельное построение модели поисковой системы. Программа рассчитана на новичков, студентов, начинающих программистов.
Чему научитесь:
Об авторах: курс создан сотрудниками Mail.ru Group. Авторы поделились знаниями и опытом, которые они ежедневно используют на практике при работе с проектами.
23. «Как стать аналитиком данных» от «Яндекс.Практикума»
Продолжительность: полный платный курс длится 6 месяцев, бесплатный вводный курс можно пройти за 20 часов.
Сертификат: выдаётся (в платной версии курса).
Формат обучения: теоретические и практические занятия в онлайн-тренажёре.
Программа обучения: цель курса — знакомство слушателей с аналитикой данных. Акцент сделан на изучение инструментов аналитики. Вводный курс поможет понять суть работы аналитика и решить, стоит ли учиться дальше.
Что узнаете:
24. «Математическая статистика» от Computer Science Center
Длительность: 29 уроков.
Формат обучения: видеоуроки + текстовые материалы + тесты + интерактивные задачи.
Программа обучения:
Какие знания и навыки получите:
25. «BI разработчик. Основы работы в Tableau» от Артёма Прыткова
Длительность: 10 уроков.
Формат обучения: видеоуроки + тесты.
Программа обучения: включает базовые основы работы с программой Tableau Public. Спикер расскажет об особенностях работы BI-разработчика, востребованности и возможных перспективах. Слушатели получат необходимые знания и навыки для самостоятельного создания дашбордов. Программа рассчитана на аналитиков и тех, кто интересуется сферой BI-разработки.
Чему научитесь:
Об авторе: Артём Прытков, специалист в области анализа и визуализации данных с 10-летним стажем.
26. «Hadoop. Система для обработки больших объёмов данных» от Mail.ru Group
Длительность: 33 урока.
Формат обучения: видеоуроки + текстовые материалы + тесты + интерактивные задачи.
Программа обучения: курс знакомит слушателей с современными методами обработки и хранения данных на примере системы Hadoop. Программа рассчитана на подготовленных пользователей — студентов последних курсов и начинающих разработчиков. Для решения задач необходимо уметь читать и писать код, работать в командной строке Linux.
Чему научитесь:
Об авторах: Евгений Чернов, руководитель отдела анализа в Поиск@Mail.ru.
27. «Теория игр» от МФТИ
Длительность: 27 часов на освоение материала.
Сертификат: выдаётся (платно).
Формат обучения: видеоуроки + текстовые материалы + тесты.
Программа обучения: подойдёт людям с математическими способностями, а также профессиональным разработчикам игр для всестороннего развития.
Какие знания и навыки получите:
Об авторах: курс разработан при поддержке МФТИ.