gift
Куда же вы?
Вы не забрали подарок
Ваш бонус — курс бесплатно! Просто оставьте номер
Телефон
Цена
11 947 ₽/мес
Получить бесплатную консультацию
Годовой доступ к Skillbox Английский
Каталог
Нужна помощь?
Поделитесь мнением, задайте вопрос или сообщите об ошибке
Имя
E-mail
Телефон
warning
Каталог Аналитика и Data Science Аналитика и Data Science от Skillbox Data Scientist

Профессия
Data scientist + ИИ

Получить доступ
  • ⚡Нейросети в программе

    Учим использовать ИИ для работы IT-специалиста

  • 8 проектов в портфолио

    основанных на реальных данных от наших партнёров: «СберМаркета», «СберАвтоподписка» и других

  • Актуальные темы

    Deep Learning, Machine Learning, Data Analysis, Computer Vision, Big Data и NLP

Data scientist помогает компаниям зарабатывать больше

Поэтому такой специалист востребован во многих сферах. Например, с помощью нейросетей и анализа данных он может оценивать кредитоспособность клиентов в банках, создавать рекомендательные сервисы в онлайн-кинотеатрах или искать месторождения полезных ископаемых в нефтяных корпорациях.

Сравниваете разные курсы по Data Science?

Оставьте заявку на бесплатную консультацию, и мы расскажем, чем программа обучения в Skillbox отличается от остальных.

Мы научим вас каждому этапу работы с данными

  • Собирать и обрабатывать данные

    Научим выгружать данные из разных источников и очищать их от лишней информации.

  • Анализировать и оценивать данные

    Подробно и на понятных примерах объясним основы статистики, чтобы вы смогли быстро выявлять паттерны, тенденции и корреляции в данных.

  • Программировать и прогнозировать

    С нуля научим программировать модели машинного обучения на Python. С помощью таких моделей вы сможете предсказывать данные. Например, погоду или будущую прибыль компании.

  • Визуализировать и презентовать данные

    Вы узнаете, как создавать графики, диаграммы и дашборды, чтобы сделать данные понятными для других людей. А ещё мы научим вас презентовать результаты анализа заказчику.

Ваше резюме по итогам обучения

Должность

Data scientist

Навыки

  • Извлекаю данные из различных источников: файлы, API, базы данных
  • Очищаю данные
  • Работаю с Big Data
  • Провожу разведывательный анализ данных
  • Визуализирую результаты анализа в виде дашбордов
  • Формулирую и проверяю гипотезы
  • ML-инженер: строю модели машинного обучения с учителем и без
  • ML-инженер: внедряю модели и оцениваю их качество

Инструменты

8 реальных проектов в профессии

  • Анализ изменений
 в мобильном приложении «СберМаркета»

    Организуете A/B-эксперимент
 на основе реального датасета и оцените, насколько успешно на продукт повлияли изменения.

  • Работа с воронкой продаж онлайн-кинотеатра

    Проанализируете рекламные кампании онлайн-кинотеатра. Это позволит владельцу бизнеса оценить, какой трафик принесла бизнесу реклама, и выявить проблемы в воронке продаж компании.

  • Визуализация данных в Excel

    Проанализируете текущие продажи компании, выделите лидеров и аутсайдеров. Поможете владельцу компании понять, какие товары и бренды можно вывести из продаж.

  • Анализ данных в страховой компании

    Выявите основные факторы убыточности по страховым полисам и научитесь прогнозировать её на самых ранних этапах. Предложите бизнесу протестировать гипотезу о снижении убыточности за счёт внедрения кластеризации.

  • Анализ сайта партнёра

    Проанализируете датасет от компании «СберАвтоподписка», которая предоставляет клиентам автомобили по подписке. Затем проверите гипотезы или создадите модель для предсказания целевого действия в зависимости от специализации.

  • Предсказание совершения целевого действия на сайте СберАвтоподписка

    Вы проведёте базовую обработку данных и разведочный анализ, научитесь предсказывать совершение целевого действия и упакуете модель в сервис.

  • Модель кредитного риск-менеджмента для банка

    Проанализируете объёмный датасет и создадите модель кредитного риск-менеджмента. Поможете банку построить scoring-модель для прогнозирования платёжеспособности клиента.

  • Сервис распознавания документов

    Поработаете с алгоритмами CV- и NLP. Протестируете разные OCR-движки и научитесь извлекать из документов важную информацию.

Обучение охватывает разные темы

  • Deep Learning

    • Обучение нейронных сетей: обратное распространение ошибки, градиентный спуск
    • LSTM и GRU: продвинутые рекуррентные архитектуры
    • Функции активации (ReLU, sigmoid, softmax)
    • Регуляризация в нейронных сетях: Dropout, Batch Normalization
    • Использование фреймворков для Deep Learning (TensorFlow, PyTorch)

  • Machine Learning (ML)

    • Основные модели: линейная регрессия, логистическая регрессия, деревья решений, случайные леса
    • Метод опорных векторов (SVM)
    • Метрики качества моделей: accuracy, precision, recall, AUC
    • Кросс-валидация и переобучение моделей
    • Методы кластеризации: K-средние, DBSCAN
    • Основы нейронных сетей: перцептроны, обучение 
с помощью обратного распространения ошибки
    • Работа с библиотеками ML (например, sklearn, TensorFlow, PyTorch

  • Data Analysis

    • Сбор данных
    • Получение данных из различных источников (CSV, Excel, базы данных, API)
    • Основы работы с REST API
    • Сохранение данных и подготовка для последующего анализа
    • Подготовка данных
    • Чистка данных: устранение дубликатов, обработка пропусков, выявление аномалий
    • Приведение данных к нужным форматам: типизация, работа с датами
    • Преобразование категориальных данных, нормализация и стандартизация данных
    • Анализ данных
    • Разведочный анализ данных (EDA): выявление скрытых паттернов и закономерностей

  • Computer Vision (CV)

    • Изображение как вектор: работа с изображениями 
в числовом формате
    • Свёрточные нейронные сети (CNN)
    • Распознавание изображений и объектов
    • Предобученные нейросети
    • Применение нейросетей для распознавания рукописных цифр
    • Работа с библиотекой OpenCV

  • Big Data

    • Hadoop
    • MapReduce
    • Hive: интеграция SQL и MapReduce
    • Oozie: автоматизация процессов в Big Data
    • Data Lake vs. Data Warehouse
    • ETL (Extract, Transform, Load)
    • Работа с большими данными в распределённых системах

  • Natural Language Processing (NLP)

    • Регулярные 
выражения
    • Векторизация текстов: CountVectorizer, TF-IDF
    • Современные методы векторизации: Word2Vec, GloVe, Bert, GPT
    • Регулярные выражения для работы с текстом
    • Рекуррентные нейронные сети (RNN) и LSTM для NLP задач
    • Анализ текстов: классификация и NER (Named Entity Recognition)

  • Математика и статистика

    • Основы теории вероятностей: законы вероятности, теорема Байеса
    • Статистические тесты: критерий Манна-Уитни, T-критерий Вилкоксона
    • Доверительные интервалы, ошибки первого и второго рода
    • Центральная предельная теорема
    • Методы оценки гипотез: p-значения, мощность теста
    • Основы линейной алгебры: вектора, матрицы, скалярные произведения
    • Оптимизация: градиенты, минимизация функций ошибок
    • Моделирование случайных величин: биномиальные и нормальные

Преподаватели из топовых компаний доступно объяснят каждую тему

Программа обучения

  • 12 месяцев обучения
  • 8 реальных проектов в профессии
  • Доступ навсегда
  • Обновлена в 2025 году
  1. Первый уровень: базовая подготовка
    1. Введение в Data Science Познакомитесь с основными направлениями data science, узнаете, какие задачи решают дата-аналитики, дата-инженеры и специалисты по машинному обучению.
      • Введение в курс
      • Business understanding. С чего начинается работа с данными
      • Data understanding. Excel
      • Введение в Python
      • Переменные и типы данных
      • Условия
      • Циклы
      • Алгоритмы и структуры данных
      • Функции
      • Коллекции в Python
      • Чтение файлов в Python и командной строке
      • Библиотека Pandas
      • Базы данных
      • Язык запросов SQL
      • Power BI
      • Data preparation
      • Разведочный анализ данных: data cleaning
      • Разведочный анализ данных: data visualization
      • Разведочный анализ данных. Feature engineering
      • Modeling
      • Машинное обучение
      • Линейные модели и нейронные сети
      • Метрики в аналитике
      • Маркетинговая аналитика
      • Продуктовая аналитика
      • Modeling. Заключение
      • Evaluation
      • Deployment
      • Модель как API
      • Мониторинг моделей
      • Airflow
      • Заключение
    2. Основы математики для Data Science Получите базовые знания по математике для работы с машинным обучением.
      • Аналитика и ML. Базовые математические объекты и SymPy. Дроби и преобразования
      • Аналитика и ML. Базовые математические объекты и SymPy. Необходимые функции и некоторые дополнительные объекты
      • Аналитика и ML. Функции одной переменной, их свойства и графики
      • ML. Интерполяция и полиномы
      • ML. Аппроксимация и преобразования функций
      • ML. Аппроксимация и производные
      • ML. Функции нескольких переменных, их свойства и графики
      • ML. Частные производные функции нескольких переменных
      • ML. Вектора и матрицы. Градиент
      • ML. Линейная регрессия и системы линейных уравнений
      • Задача аппроксимации как матричное уравнение
    3. Основы статистики и теории вероятностей Поймёте принципы работы со случайными величинами и событиями.
      • Введение в теорию вероятностей
      • Случайные события
      • Случайная величина
      • Непрерывные распределения. Общие сведения
      • Основные виды непрерывных распределений
      • Статистические тесты
  2. Погружение в специализацию machine learning
    1. Machine learning. Junior Познакомитесь с алгоритмами машинного обучения для решения задач регрессии, классификации и кластеризации.
      • Постановка задачи машинного обучения
      • Основные термины машинного обучения
      • Линейная регрессия
      • Регуляризация линейной регрессии
      • Метрическая классификация. Метод ближайших соседей и его развитие
      • Библиотека numpy
      • Линейная классификация. Логистическая регрессия
      • Линейная классификация. Метод опорных векторов
      • Логическая классификация. Деревья решений
      • Деревья решений и случайный лес
      • Очистка данных
      • Кластеризация. Метод k-средних
      • Интерпретация. Метод k-средних
      • Кластеризация. DBSCAN
      • Несбалансированные выборки
      • Нейрон и нейронная сеть
      • Основы анализа текстов
    2. Итоговый проект Модель кредитного риск-менеджмента для банка.
      • Проанализируете объёмный датасет и создадите модель кредитного риск-менеджмента
      • Поможете банку спрогнозировать платёжеспособность клиента
  3. Погружение в специализацию data analyst
    1. Data analyst. Junior Познакомитесь с базовыми методами анализа на примере анализа данных продаж. Пройдёте основы маркетинговой, BI и продуктовой аналитики.
      • Введение
      • Доступные источники данных
      • Аналитика на метриках
      • Подходы к оценке качества данных
      • Введение в формулирование гипотез
      • Визуализация в Excel
      • Проанализируете текущие продажи компании, выявите лидеров и аутсайдеров, визуализируете данные
      • Объединение разнородных данных
      • Требования к качеству данных
      • Корреляция и факторы
      • Визуализация в Python
      • Формулирование гипотез по данным
      • Выявите проблемные этапы воронки продаж, определите их причины, дадите рекомендации по изменению подходов к продажам
      • SQL как инструмент формирования витрины данных
      • Очистка данных
      • Методы прогнозирования
      • Программные средства визуализации
      • А/В-тесты и их планирование
      • Проанализируете изменения в мобильном приложении маркетплейса при помощи А/Б тестов по результатам внедрения ML-модели для оптимизации доставки
      • Данные по API и аккумулирование источников
      • Повышение качества данных
      • Выявление закономерности в данных
      • Интерпретация результатов А/В-тестирования
      • Аналитическая отчётность и сторителлинг
      • Выявите основные факторы убыточности и научитесь её прогнозировать, протестируете гипотезы о снижении убыточности
    2. Итоговый проект Анализ эффективности маркетинговых кампаний.
  4. Экспертный уровень: machine learning
    1. Machine learning. Advanced Освоите алгоритмы для построения рекомендательных систем и прогнозирования временных рядов.
      • Введение
      • Auto ML. Часть 1
      • Auto ML. Часть 2
      • Введение в computer vision
      • Нейронные сети и computer vision
      • Нейронные сети и NLP. Часть 1
      • Нейронные сети и NLP. Часть 2
      • Введение в рекомендательные системы
      • Коллаборативная фильтрация
      • Бизнес-оценка рекомендательных систем
      • Продвинутые инструменты ML-инженера
      • Временные ряды
      • Мониторинг качества. Бонус-модуль
    2. Deep learning (углубление в области NLP и CV) Научитесь работать с нейросетями: подробно узнаете, как они устроены, как использовать предобученные модели, готовить и передавать данные в нейросеть, строить и тестировать архитектуры, настраивать параметры и обучать модели на GPU.
    3. Итоговый проект Поработаете с алгоритмами компьютерного зрения (CV) и обработки естественного языка (NLP).
  5. Экспертный уровень: data analyst
    1. Продуктовая аналитика Будете обрабатывать данные, исследовать взаимодействие пользователей с продуктом, интерпретировать собранную информацию. Полученные результаты помогут решить задачи бизнеса.
      • Введение
      • Метрики
      • Исследования
      • А/В-тестирование
      • Юнит-экономика
      • Отчётность
    2. Маркетинговая аналитика Узнаете, как настраивать веб- и сквозную аналитику, создавать воронки продаж, анализировать поведение пользователей на сайте.
      • Введение в метрики и каналы продвижения
      • Введение в маркетинговую аналитику
      • Введение в конкурентный анализ
      • Исследование целевой аудитории
      • Анализ данных в «Яндекс Метрике»
      • Анализ данных в GA4. MyTracker
      • MyTracker
      • Основные источники данных о продажах и клиентах
      • Сквозная аналитика
      • Основные системы визуализации
      • Запуск кампании, анализ результатов и формирование новых гипотез
    3. BI-аналитика
      • Обзор Power BI
      • Power Query: вводная часть
      • DAX: вводная часть
      • Визуализация: вводная часть
      • Визуализация: фильтры, гистограммы и графики
      • Визуализация: карты, таблицы и матрицы
      • Визуализация: как сделать отчёт интерактивным
      • Визуализация: прочие визуальные элементы
  6. Дополнительные курсы
    1. Основы статистики и теории вероятностей advanced Научитесь применять основные принципы статистики и теории вероятностей при работе с задачами data science. Поймёте, как устроены алгоритмы машинного обучения, как в них применяются математическая статистика и теория вероятностей.
      • Gentle introduction. Теория вероятностей в Python
      • Оценивание
      • Проверка гипотез: теория
      • Проверка гипотез: практика
      • Совместные распределения
      • Исследование зависимостей
      • Временные ряды
      • Дополнительные главы (частотный и байесовский подходы, энтропия и дивергенция, формула Байеса)

Кем вы ещё сможете работать после обучения

  • Инженером машинного обучения

    Будете разрабатывать и оптимизировать модели, которые позволяют компьютерам обучаться на данных и делать прогнозы.

  • Аналитиком данных

    Будете собирать, обрабатывать и анализировать данные, чтобы выявить тенденции и паттерны, которые помогут принимать обоснованные решения компаниям из разных сфер.

  • Специалистом CV

    Будете помогать бизнесу принимать верные решения на основе данных. Будете работать с алгоритмами, которые позволяют контролировать безопасность
на производстве, усталость водителей и повреждения трубопроводов на нефтезаводах.

  • BI-аналитиком

    Будете анализировать, визуализировать данные и создавать интерактивные дашборды в BI-инструментах, таких как Microsoft Power BI, Tableau, QlikView, IBM Cognos, Google Data Studio.

  • Продуктовым аналитиком

    Будете анализировать метрики продукта и поведение пользователей, проводить A/B-тестирование и выявлять потребности в новых функциях
в продукте.

  • Маркетинговым аналитиком

    Будете анализировать эффективность рекламных кампаний, сегментировать аудитории на основе данных и прогнозировать спрос на товары
и услуги.

Собственная образовательная платформа

Как проходит обучение

  • Сначала смотрите видеоуроки

    Они доступны в любое время. К каждому уроку мы приложили полезные материалы.

  • Потом выполняете задание или проекты

    Каждое задание основано на реальных данных. Во время выполнения проектов вы закрепите все знания, которые вы получили в видеоуроках.

  • Получаете обратную связь от кураторов

    Они проверят ваши задания в течение 72 часов с момента отправки работы, укажут на ошибки или похвалят, что вы все сделали круто.

  • Учебные материалы всегда под рукой

    Вы можете проходить обучение в мобильной версии платформы прямо с телефона — весь прогресс сохранится.

Решайте первые реальные задачи

Вы сможете общаться в Telegram-чате с другими пользователями и экспертами.

Записаться на курс
11 947 ₽/мес
В рассрочку на 36 мес
Скидка по промокоду:
Кешбэк 30%: 129 027 баллов на Lerna
Data Scientist
Длительность: 12 мес
Старт курса: после оплаты
Заполните контактные данные
Имя
Телефон
E-mail
Промокод
Применить
Удалить
Название компании
Отправить заявку
success
error
warning

Часто задаваемые вопросы

  • Что такое Data Science?

    Data Science — это наука, которая использует статистику, аналитику и машинное обучение для извлечения знаний из данных. Наш онлайн-курс высоко оценили студенты. Его средняя оценка — 4,9 из 5 на основе 3752 отзывов.

  • Кто такой Data scientist?

    Специалист по Data Science или Data scientist изучает данные, находит в них полезные закономерности и на основе этого помогает бизнесу принимать верные решения. А ещё он работает с машинным обучением — создаёт программы, которые могут сами учиться на данных и делать предсказания.

  • Чем занимается специалист по Data scientist?

    •‎ Анализирует данные. Например, исследует поведение пользователей в приложении для улучшения интерфейса.

    •‎ Создаёт статистические модели, которые могут предсказывать будущее. Например, сколько клиентов отпишутся от сервиса для чтения книг в ближайший год, если бизнес повысит цену на подписку.

    •‎ Обучает компьютеры анализировать данные. Например, создаёт модели машинного обучения для распознавания изображений в системах безопасности.

    •‎ Визуализирует данные. Разрабатывает интерактивные графики для представления результатов исследования бизнесу, чтобы руководители могли легко воспринимать информацию.

  • Чему я научусь на курсе?

    Вы научитесь всему необходимому, что нужно для работы дата-сайентистом:
    •‎ Работать с SQL.
    •‎ Использовать Python и библиотеки.
    •‎ Проверять данные и определять проблемы.
    •‎ Создавать модели машинного обучения.
    •‎ Применять математику для анализа данных.
    •‎ Возглавлять DS-проекты.

  • Кому подойдёт курс Data scientist от Skillbox?

    •‎ Новичкам. У вас всё получится, даже если вы не связаны со сферой IT. Во время обучения вас будет сопровождать куратор, который поможет разобраться со всеми трудностями и доведёт до результата.

    •‎ Дата-сайентистам. Курс поможет вам повысить свою квалификацию и актуализировать знания.

    •‎ Специалистам из смежных сфер. Курс поможет вам быстро перестроиться на новую профессию и получить новую высокооплачиваемую работу.

  • Действуют ли какие-нибудь программы рассрочки?

    Да, вы можете купить курс в рассрочку — и спланировать свой бюджет, разбив всю сумму на небольшие ежемесячные платежи.