Войти
Каталог
Разработан совместно с академиком РАН из МГУ им. М.В. Ломоносова
→ Освойте продвинутую математику с самых азов
→ Научитесь создавать ML-модели и работать с нейронными сетями
→ Получите реальный опыт на практических проектах
→ Научитесь создавать ML-модели и работать с нейронными сетями
→ Получите реальный опыт на практических проектах
Data Scientist с нуля до PRO
Углубленный курс науки о данных
Длительность:
Старт обучения:
Формат:
онлайн в любое время
онлайн в любое время
Уровень подготовки:
с нуля
с нуля
Углубленный курс «Data Scientist с нуля до PRO» от МГУ
Не требуется опыт в программировании
11 декабря
25 мес
Курс разработан совместно с академиком РАН из МГУ им. Ломоносова
Алексей Львович Семенов — заведующий кафедрой математической логики и теории алгоритмов МГУ.
Участник разработок ПО для ИИ и для суперкомпьютеров, лауреат премии ЮНЕСКО в области цифровых технологий в образовании и премии им. А. Н. Колмогорова за выдающиеся достижения в области математики.
Участник разработок ПО для ИИ и для суперкомпьютеров, лауреат премии ЮНЕСКО в области цифровых технологий в образовании и премии им. А. Н. Колмогорова за выдающиеся достижения в области математики.
В топ-25
По качеству образования в Рейтинге лучших университетов мира Times Higher Education (THE) 2021
В топ-110
По критерию «Успешность выпускников» в Мировом рейтинге QS 2020
В топ-34
Cреди вузов мира по математике в QS World University Rankings by Subject-2021
Московский государственный университет им. М.В. Ломоносова
Лучший ВУЗ России по версии RAEX
Лучший ВУЗ России по версии RAEX
7 из 10 работодателей нанимают людей с опытом
03
Вы получите реальный опыт
Это формат, где студенты решают реальные задачи бизнеса. У вас будет опыт, которого так не хватает выпускникам онлайн-школ. Вместе с ментором вы решите кейс для компании-партнера — и получите фидбэк от потенциального работодателя.
Реальный опыт даст студентам:
04
Реальные проекты в портфолио
Участие в стажировках и хакатонах
Шанс получить оффер от компании-заказчика
Опыт работы над проектом в команде
Поэтому мы придумали Фэктори
01
02
Модель распознавания жестов
Разработаете систему принятия решений, которая в режиме реального времени сможет реконструировать положение согнутых пальцев руки здорового пользователя. Преуспевшие студенты продолжат сотрудничество с компанией.
- Python
- Sklearn
- Pandas
- EDA
- Keras
Анализ и сортировка данных
Вам предоставят изображения транспортных средств различных типов и с разных ракурсов. С помощью дескрипторов вы разобьете картинки на кластеры и интерпретируете каждый из них. В результате получите кейс в портфолио и обратную связь от эксперта из компании.
- Pandas
- ML
- Numpy
Intellivision
Это специалист, который обрабатывает большие объемы неструктурированной информации и превращает ее в упорядоченный набор данных.
Дата-сайентист может:
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
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.
Вы вспомните школьную математику и освоите углубленный уровень для Data Science, чтобы:
Научиться не просто работать с алгоритмами машинного обучения, но и создавать и развивать их
Использовать в работе фундаментальные основы анализа данных
Успешно проходить технические собеседования в компаниях уровня Google и Яндекс
Решать сложные бизнес-задачи и иметь конкурентное преимущество на рынке
Общаться с другими дата-сайентистами на одном языке
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 NASA 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, штрих-коды 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.
Количество вакансий в Data Science выросло на 433% за 3 года
Ритейл, киберспорт, путешествия, образование, медицина — грамотный Data Scientist нужен практически в любой индустрии, а спрос значительно превышает предложение.
Новичок
Программа расчитана на обучение науке о данных с нуля. Вы начнете с SQL и Python. Получите необходимую теорию по математике, статистике и теории вероятности и отработаете ее на практике. А через год легко сможете решать задачи.
Программист
Научитесь работать с моделями машинного обучения, анализировать данные на Python и прокачаете аналитическое мышление.
Вам подойдет этот курс, если вы
Аналитик
Начнете анализировать данные на продвинутом уровне, автоматизировать процесс сбора данных. Научитесь обучать модели и делать прогнозы, а также применять это для решения бизнес-задач.
Кем вы станете
После базового курса вы сможете выбрать более узкую специализацию в Data Science — ML Engineer, CV Engineer или NLP 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
- Научитесь решать все базовые задачи в сфере Computer Vision
- Приобретёте 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
Эффективный формат онлайн-обучения
Занимайтесь в своем темпе
Наши курсы ориентированы на тех, кто работает и хочет сам регулировать нагрузку. Занимайтесь без отрыва от работы и выделяйте на учебу столько времени, сколько есть прямо сейчас (15 минут или 2 часа в день).
20% обучения — 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.
Вы смотрите короткие видео, изучаете текстовые материалы и приступаете к заданиям, чтобы закрепить знания.
80% обучения — практика в разных форматах
Для развития навыков у нас есть 5 видов практики: тренажеры, тесты, домашние задания, проекты и хакатоны. Разнообразие форматов помогает усваивать знания максимально эффективно.
Менторы и координаторы помогут дойти до конца
Все менторы — опытные практики из IT-индустрии. Они дают качественную обратную связь на задания, отвечают на вопросы и помогают студенту достичь своих целей во время обучения. Выпускники оценивают менторскую поддержку на 9,1 балла из 10.
Координаторы постоянно на связи, чтобы решить любой организационный вопрос. Их задача — мотивировать студентов и помочь пройти курс до конца.
Координаторы постоянно на связи, чтобы решить любой организационный вопрос. Их задача — мотивировать студентов и помочь пройти курс до конца.
Фокус на подготовке к трудоустройству
Вы тренируетесь на кейсах компаний, а также делаете проекты для реальных заказчиков в команде. Помогаем оформить резюме и подготовиться к собеседованиям.
Лучших студентов рекомендуем по накопленной базе работодателей. На стажировках в компаниях-партнерах вы отработаете навыки и пообщаетесь с потенциальными работодателями.
Лучших студентов рекомендуем по накопленной базе работодателей. На стажировках в компаниях-партнерах вы отработаете навыки и пообщаетесь с потенциальными работодателями.
БАЗА
На этом этапе вы изучите основы программирования на Python, научитесь предобрабатывать и анализировать данные, а также познакомитесь с основными задачами дата-сайентиста.
Программа курса
«Data Scientist с нуля до PRO»
Введение
1 неделя
Вы сможете сформулировать для себя реальные цели обучения, узнаете, в чем ценность DS для бизнеса, познакомитесь с основными задачами дата-сайентиста и разберетесь, как строится разработка любого DS-проекта.
- INTRO-1. Как учиться эффективно — онбординг в обучение
- INTRO-2. Обзор профессии. Типы задач в Data Science. Этапы и подходы к разработке Data Science проекта
Проектирование разработки
5 недель
Вы научитесь работать 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)
Основы математики
7 недель
- MATH-1. Числа и выражения
- MATH-2. Уравнения и неравенства
- MATH-3. Основные понятия теории функций
- MATH-4. Основы геометрии: планиметрия, тригонометрия и стереометрия
- MATH-5. Множества, логика и элементы статистики
- MATH-6. Комбинаторика и основы теории вероятности
- MATH-7. Решение задач
Работа с данными
8 недель
На этом этапе вы овладеете базовыми навыками работы с данными: научитесь 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 научитесь 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 научитесь 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. Kaggle площадка
- 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 понижение 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 выберите 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 научитесь 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 понижение размерности. Часть 1
- MATH&ML-10. Кластеризация и техники понижение размерности. Часть 2
- Проект 5. Ансамблевые методы
Дискретная математика
4 недели
- MATH&MGU-1 Множества и комбинаторика
- MATH&MGU-2 Логика
- MATH&MGU-3 Графы. Часть 1
- MATH&MGU-4 Графы. Часть 2
ML в бизнесе
8 недель
Вы научитесь использовать ML-библиотеки для решения задачи временных рядов и рекомендательных систем. Вы сможете обучить ML-модель и провести её валидацию, а также создать работающий прототип и запустить модель в веб-интерфейсе. А ещё 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) или прокачаться в NLP*, обработке естественного языка.
При выборе CV или ML вы сможете пройти курс по NLP без менторской поддержки бесплатно
Второй год обучения - 2 специализации на выбор
Профориентация
10 недель
ML, CV или NLP: на этом этапе вам наконец предстоит сделать выбор, по какому пути двигаться дальше. Мы расскажем о каждой специализации и предложим решить несколько практических задач, чтобы вам было проще определиться.
Трек ML - Engineer
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 - Engineer
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 чём 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 :)
Не важно, сколько вам лет и какой у вас опыт, — вы справитесь.
Просто следуйте программе обучения.
Реальные истории наших студентов
Узнайте, как преобразилась их жизнь
Татьяна Мирко
30 лет, Москва
Ника Гвенетадзе
53 года, Москва
Москва
Андрей Шевченко
Ольга Шутылева
34 года, Рига
Харьков
Аркадий Хазанов
Набережные Челны
Александра Быстрова
Сергей Димов
34 года, Абакан
Артем Белоконский
Киев
Николай Шумаков
Москва
Антон Пальшин
Дмитрий Анпилогов
Калининград
Саратов
Валентин Ветюков
Марина Чигарева
Москва
Долговская Виктория
Александр Журавлев
Каменск-Уральский
Минск
Валентин Шунайлов
Челябинск
Екатерина Тарасевич
Санкт-Петербург
Всем привет, меня зовут Екатерина. Мне 29 лет. И я живу в городе Санкт-Петербурге.
Всех приветствую. Меня зовут Александр. Я живу в городе Минске. Больше 20 лет я работаю врачом.
Здравствуйте. Я Марина. Живу в Москве. Работаю главным бухгалтером.
Всем привет. Я Дмитрий из города Саратова. Уже 25 лет директор турагентства.
Добрый день. Меня зовут Валентин. Я из города Челябинска.
Добрый день, меня зовут Виктория. В настоящий момент я проживаю в городе Каменск-Уральский.
Всем привет. Меня зовут Валентин. Живу и работаю в Москве.
Всем привет. Меня зовут Антон. Живу в Калининграде. Работаю комплектовщиком.
Привет. Меня зовут Николай, и я являюсь студентом Skillfactory по программе фронтенд-разработчик.
Привет. Меня зовут Алексей Журавлев. Я генеральный директор агентства Универсальный менеджмент.
Добрый день. Я маркетолог. Учусь в Skillfactory по специальности фронтенд-разработчик.
Привет, меня зовут Ника. Живу я в Москве, а работаю руководителем производства.