2 курса · 2 школы · цены 510–5 590 ƃ
Курс по Data Science направлен на приобретение знаний, навыков и умений по извлечению, структурированию и использованию полезной информации из неструктурированных, а также разрозненных источников. Он охватывает основные современные средства Data Mining, Machine Learning и Big Data.
Machine Learning - Машинное обучение (ML)- это подраздел искусственного интеллекта, который использует техники для обучения компьютерных систем выполнять задачи.
Data Science нужна там, где от данных ждут уже не отчёта, а прогноза: кто из клиентов уйдёт, сколько товара заказать на следующий месяц, какую заявку стоит проверить вручную. На курсах учат собирать, чистить и исследовать данные, искать зависимости в структурированных и неструктурированных данных, строить графики и ставить задачи машинного обучения. Есть и ещё одно умение, без которого модель никому не нужна: переводить вывод с языка данных на язык бизнеса. Можно учиться очно в Минске или онлайн из любого города.
Аналитик чаще объясняет, что уже произошло и почему. Специалист по Data Science строит модель, которая отвечает заранее. На практике граница размыта. В вакансиях аналитиков машинное обучение может входить в работу: в одной вакансии Data Analyst среди задач витрины данных, дашборды и ML-инструменты «там, где оправдано», а в ключевых навыках стоят Python, SQL, PostgreSQL, ClickHouse и scikit-learn. Если вам ближе отчёты и дашборды, начните с курсов аналитики данных и BI.
Прежде всего математику. Например, вакансия Junior Data Analyst без опыта просит высшее техническое, математическое или физическое образование (подходит и студент), базовые Python, MySQL и Excel, теорию вероятностей, математическую статистику и английский на уровне B1 или B2. У аналитиков данных SQL и Python спрашивают почти всегда.
Без статистики модель превращается в чёрный ящик. Цифру вы получите, но не сможете сказать, можно ли ей верить. Если программа берёт с нуля, посмотрите, сколько занятий отведено на Python и статистику до первой модели. Короткий курс по машинному обучению лучше брать тем, кто уже пишет код.
Вакансий аналитика данных для начинающих мало, работодатели чаще ищут людей с опытом. Поэтому первый шаг часто выглядит скромно: помощник аналитика, экономист или специалист по отчётности, где хватает Excel, а Power BI и Python идут плюсом. Модели появятся в работе позже, когда вы уже будете знать данные компании.
Скоринг заёмщиков, отбор резюме, оценка клиентов: в этих задачах модель влияет на решение о конкретном человеке. Такой модели мало быть точной. Нужно уметь объяснить, почему она отказала, проверить, не ошибается ли она чаще на какой-то группе людей, и оставить человеку возможность пересмотреть решение. С персональными данными клиентов и сотрудников работают аккуратно: обезличивают их, где можно, и не берут в модель лишнего; подробнее об этом в теме аналитики данных.
Первая модель почти всегда работает хуже, чем хотелось. Это нормально. Ценность специалиста по данным не в сложности алгоритма, а в умении честно сказать, где модели верить нельзя и почему. А если строить свои модели не тянет, но хочется научиться пользоваться готовыми, загляните в курсы по нейросетям и ИИ.
