Специалист по Data Science

Сможете предобработать данные, построить, обучить и протестировать модель для основных задач анализа естественного языка

• Основные NLP-задачи и их использование в бизнесе
• Векторные представления слов
• Математика для нейронных сетей
• Рекуррентные нейронные сети и задача NER
• Hard & Software
• Языковое моделирование и задача генерации текста
• Задача машинного перевода
• Механизм Attention
• Attention is all you need
• Transformer is all you need
• Диалоговые системы

Сможете предобработать данные, построить, обучить и протестировать модель для основных задач компьютерного зрения

• Работа с изображениями
• Hard & Software
• Построение моделей в Keras
• Задача классификации изображений
• Сверточные нейросети
• Семейство архитектур ResNet
• Перенос обучения в CV
• Распознавание объектов
• Семейство R-CNN и YOLO

Сможете применять возможности веб-программирования для настройки бэкенд-составляющей ML-продукта и создания визуального прототипа (MVP) проекта

• Временные ряды
• Рекомендательные системы
• Статистические модели прогнозирования
• Интерполяция и семплирование
• Глубокое обучение
• Сохранение и загрузка моделей: pickle и joblib
• Подготовка модели к продакшену и деплой
• Написания сервера на Flask

Научитесь строить рекомендательные системы, использовать байесовкие и ядерные методы для задач классификации/регрессии

• Задача прогнозирования временных рядов
• Экспоненциальное скользящее среднее
• Адаптивная авторегрессионная модель
• Следящий контрольный сигнал
• Адаптивная селективная модель
• Локальная адаптация весов с регуляризацией
• Алгоритм Priori и FP-growth
• Рекуррентные нейронные сети (RNN)
• Сверточные нейронные сети (CNN)
• Сети долгой кратковременной памяти (Long short-term memory, LSTM)
• Рекуррентная сеть Gated Recurrent Unit (GRU)
• Автокодировщики. Векторные представления дискретных данных
• Перенос обучения (transfer learning)
• Самообучение (self-supervised learning)
• Генеративные состязательные сети (generative adversarial network)
• Алгоритм ComBoost
• Стохастические методы: бэггинг и метод случайных подпространств
• Признаки в задаче ранжирования поисковой выдачи: текстовые, ссылочные, кликовые
• Критерии качества ранжирования: Precision, MP, UC, DCG, NDCG, pFound
• Ранговая классификация, OC SVM
• Попарный подход: RankingSVM, RankNet, LambdaRank

Групповой проект по решению индустриальной аутентичной задачи / разработке нового решения для отрасли

Этапы работы над проектом:
1. перевод бизнес задач в язык Data Science
2. анализ предметной области. Анализ работ по проблеме, которую решают студенты
3. адаптация метода или разработка нового к решению задачи
4. валидация своего решения