-
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, Получение данных с помощью API, Базы данных, Язык запросов SQL, Power BI, Data Preparation, Разведочный анализ данных. Data cleaning, data visualization, feature engineering, Modeling, Машинное обучение, Линейные модели и нейронные сети, Метрики в аналитике, Маркетинговая аналитика, Продуктовая аналитика, Modeling. Заключение, Evaluation, Алгоритмы и структуры данных. Часть 2, Deployment, Модель как API, Мониторинг моделей, Airflow
-
Машинное обучение (на выбор)
Постановка задачи и терминология machine learning, Выгрузка данных с помощью SQL, Линейная регрессия и регуляризация, Метрическая классификация. Метод ближайших соседей, Библиотека numpy, Линейная классификация: логистическая регрессия, опорные векторы, деревья решений, Очистка данных, Кластеризация: метод k-средних и DBSCAN, Несбалансированные выборки, Нейрон и нейронная сеть, Основы анализа текстов
-
Аналитик данных (на выбор)
Доступные источники данных, оценка качества, Визуализация в Excel, Объединение разнородных данных, Требования к качеству данных, Корреляция и факторы, Визуализация в Python, Формулирование гипотез по данным, SQL для витрины данных, Очистка данных, Методы прогнозирования, Программные средства визуализации, A/B-тесты и их планирование, Данные по API и аккумулирование источников, Повышение качества данных, Выявление закономерности в данных, Прикладные программные продукты визуализации, Интерпретация результатов А/В-тестирования, Аналитическая отчетность и сторителлинг
-
Выполните индивидуальный проект по внедрению модели, Попробуете решить задачи дата-инженера, ML-инженера и дата-аналитика, чтобы выбрать специализацию
-
Базовые математические объекты и SymPy, Интерполяция и полиномы, Аппроксимация, преобразования функций и производные, Функции нескольких переменных, их свойства и графики, Частные производные функции нескольких переменных, Векторs и матрицы. Градиент, Линейная регрессия и системы линейных уравнений, Задача аппроксимации как матричное уравнение
-
Основы статистики и теории вероятностей
Случайные величины и события, Принципы и виды распределения, Непрерывные распределения, Статистисечкие тесты, Составление моделей и проверка гипотез, Gentle introduction. Теория вероятностей в Python, Оценивание, Проверка гипотез, Совместные распределения, Исследование зависимостей, Временные ряды
-
Развитие карьеры разработчика
Поиск подходящих вакансий, Подготовка к собеседованиям, Переговоры с работодателем
факультет 
Geekbrains