Data Science: машинное обучение и нейронные сети
Курс
Количество и время занятий
16 занятий, 2 раза в неделю, 19:00 – 22:00 (ср/пт)
Получите углубленные знания и навыки, которые помогут вам решать сложные задачи и разрабатывать нейросетевые модели для реальных приложений.
Стоимость
1270 BYN
Формат
Онлайн
Старт
10 июня 2026
Преподаватель: Потолицына Татьяна
Заполните форму, а мы поможем
с остальным
Нажимая на кнопку «Оставить заявку», вы выражаете свое согласие с политикой обработки персональных данных и условиями публичного договора.
Кто такой Data Scientist?
Специалист, который анализирует данные, выявляет закономерности и строит модели машинного обучения, помогая бизнесу принимать решения и прогнозировать результаты. Мы поможем вам освоить ключевые навыки и начать карьеру в Data Science.
Кому подойдет курс:
Тем, кто хочет уверенно работать с данными
Научитесь анализировать большие датасеты, выбирать методы и обоснования решений.
Тем, кто хочет систематизировать и углубить знания
Закрепите фундамент, разберёте пробелы и перейдёте к более сложным и серьёзным темам.
Тем, кто хочет участвовать в серьёзных проектах
Научитесь строить архитектуры, проводить эксперименты, интерпретировать результаты и документировать решения.
Примеры задач, которые решает Data Scientist в реальных проектах
Уверенность и гарантии
Если вы вынуждены прервать обучение, в течение года вы сможете вернуться и продолжить с того занятия, на котором остановились.
Оптимальное количество теории и практики
Фокус на выработку профессиональных навыков на реальных кейсах.
Обучение в реальном времени
Никаких предзаписанных видео. Общайтесь с экспертом, задавайте вопросы и получайте ответы прямо на занятии.
Преимущества курса
Программа курса
- Основные понятия в машинном обучении.
- Типы данных и задачи машинного обучения.
- Обучение с учителем: классификация.
- Модели для решения задачи классификации.
- Оценка качества моделей классификации.
- Обучение с учителем: регрессия.
- Модели для решения задачи регрессии.
- Оценка качества моделей регрессии.
- Сбалансированность классов.
- Обзор инструментов и библиотек.
- Введение в работу с данными.
- Типы данных и их использование.
- Методы и инструменты для обработки данных.
- Обработка, хранение и использование информации.
- Типы баз данных.
- SQL и PSQL.
- Базовый SQL.
- Продвинутый SQL.
- Безопасность и конфиденциальность данных.
- Исследовательский анализ данных (EDA).
- Алгоритмы машинного обучения в отсутствии нормального распределения.
- Деревья решений и ансамблевые методы.
- Методы на основе расстояний.
- Методы понижения размерности.
- Ассоциативные правила.
- Обучение представлений.
- Автоэнкодеры.
- Вариационные автоэнкодеры.
- Сверточные автоэнкодеры.
- Дешумящие автоэнкодеры.
- Основные понятия и обозначения.
- Знакомство с понятиями вектор, матрица, векторное пространство.
- Действия над векторами и матрицами.
- Специальные типы матриц.
- Теория вероятности и комбинаторика.
- Условная вероятность и формула Байеса.
- Практическое применение вероятностей и формулы Байеса.
- Вероятностное моделирование и оценка параметров.
- Гипотезы и статистические тесты (t-тест, ANOVA).
- Корреляция и ковариация. Понятие корреляции и её виды.
- Введение и основные понятия в нейронных сетях.
- Нейроны и слои нейронных сетей.
- Веса и смещение.
- Функции активации нейронных сетей.
- Обучение нейронных сетей.
- Популярные архитектуры нейронных сетей.
- Сверточные нейронные сети.
- Сверточные нейронные сети LeNet.
- Сверточные нейронные сети AlexNet.
- Сверточные нейронные сети MobileNet.
- Сверточные нейронные сети: YOLO.
- Метрики качества YOLOv5.
- Аугментация данных в YOLOv5.
- Инструменты для работы с нейросетями: keras и tf.
- Рекуррентные нейронные сети.
- Рекуррентные нейронные сети: LSTM.
- Рекуррентные нейронные сети: GRU.
- Применение LSTM и GRU.
- NLP: алгоритмы и подходы.
- Векторные представления слов.
- Word2Vec.
- Word2Vec: CBOW.
- Word2Vec: Skip-Gram.
- GloVe.
- FastText.
- Работа с текстом в Python.
- nltk.
- Реализация чат-бота на PyTorch.
- Введение в AutoML.
- Популярные инструменты в AutoML.
- Ограничения текущих AutoML систем.
- AutoML PyCaret 3.0.
- AutoML PyCaret 3.0 классификация.
- AutoML PyCaret 3.0 регрессия.
- AutoML PyCaret 3.0 кластеризация.
- AutoML PyCaret 3.0 детекция аномалий.
- AutoML PyCaret 3.0 временной ряд.
- AutoML для нейросетей.
- PyTorch.
- VGG.
- ResNet.
- Введение в GAN.
- Генеративно-состязательная сеть DCGAN.
- Генеративно-состязательная сеть cGAN.
- Генеративно-состязательная сеть CycleGAN.
- Генеративно-состязательная сеть WGAN.
- Генеративно-состязательная сеть Pix2Pix.
- Генеративно-состязательная сеть StyleGAN.
- Генеративно-состязательная сеть StyleGAN2.
- Генеративно-состязательная сеть BigGAN.
- Инструменты для работы.
- Обучение с подкреплением.
- Основные элементы обучения с подкреплением.
- Процесс принятия решений.
- Значение (Value-Based) Алгоритмы.
- Политика (Policy-Based) Алгоритмы.
- Модель (Model-Based) Алгоритмы.
- Комбинированные (Hybrid) Алгоритмы.
- Мультиагентное обучение с подкреплением.
- Глубокое обучение с подкреплением.
- Обучения с подкреплением переобучение.
- Подбор гиперпараметров.
- Введение в трансферное обучение.
- Этапы трансферного обучения.
- Настройка виртуального окружения.
- Предобученные модели.
- Данные обучения моделей.
- Разметкdа данных.
- Модуль detect.
- Модуль train.
- Модуль hyps.
- Установка и настройка TensorBoard.
- Модуль segment.
- Метрики качества.
- Введение в трансформеры, важность в NLP.
- Архитектура трансформера: внимание и механизмы.
- Основы самовнимания (Self-Attention) и его роль.
- Позиционное кодирование и его важность.
- Энкодеры и декодеры в архитектуре трансформера.
- Мультиголовое внимание (Multi-Head Attention).
- Применение нормализации по слоям (Layer Normalization).
- Feed-Forward нейронные сети в архитектуре трансформера.
- Примеры применения трансформеров в различных задачах NLP.
- Обзор расширений архитектуры трансформеров.
- BERT (Bidirectional Encoder Representations from Transformers): архитектура и применение.
- GPT (Generative Pre-trained Transformer): от GPT-1 до GPT-3 и их особенности.
- Дистилляция моделей и эффективность трансформеров.
- Работа с Hugging Face Transformers.
- XLNetModel.
- Т5.
- AlbertModel.
- Проектирование ml систем.
- Жизненный цикл модели.
- Инструменты для проектирования ml систем.
- Развертывание модели.
- Ограничения ml систем.
- Микросервисная архитектура.
- REST vs gRPS.
- Фреймворки для разработки веб-приложений.
- Знакомство с Flask.
- Знакомство с FastAPI.
- Знакомство с Django.
- Docker.
- Тестирование модулей при помощи unittest.
- Тестирование модулей при помощи PostMan.
- Микросервис на примере рекомендательной системы.
- Обзор этапов конвейера машинного обучения.
- Оркестровка конвейера.
- Apache Beam.
- Apache Airflow.
- Apache Airflow Dag.
- Apache Airflow планирование и выполнение.
- Apache Airflow мониторинги управление.
- Apache Airflow настройка и расширение.
- Apache Airflow обслуживание и масштабирование.
- Kubeflow.
- Kubeflow. Основные компоненты.
- Kubeflow. Управление рабочими процессами ML.
- Kubeflow. Масштабируемость и управление ресурсами.
- Kubeflow. Компоненты для разработки ML.
- Kubeflow. Управление моделями и экспериментами.
Понимание и использование базовых принципов классического машинного обучения.
Знание Python на базовом уровне.
Наличие git репозитория с проектом или пройденный курс (курсы).
Для прохождения курса желательно:
В ходе курса вы:
2
Освоите процесс нейронного обучения
1
Освоите математическую базу, необходимую для работы с ИИ
3
Освоите основы сверточных нейронных сетей и рекуррентных нейронных сетей
4
Освоите популярные архитектуры нейронных сетей
Адаптивная программа
Образовательный центр BELHARD даёт выверенные знания, которые позволяют пройти техническое собеседование. Программы регулярно адаптируются под потребности рынка.
Всего 1270 BYN за весь курс
Возможна оплата в два этапа. Работаем с системой «Расчет» (ЕРИП).
Узнать подробнее
Узнать подробнее
Корпоративные группы и индивидуальное обучение
Мы адаптируем нашу учебную программу к вашим особым требованиям.
Узнать подробнее
Узнать подробнее
Оптимальный размер учебных групп
Это позволяет, с одной стороны, научиться работать в команде, а с другой – добиться индивидуального подхода к каждому слушателю.
Почему стоит изучать курс
«Data Science: машинное обучение и нейронные сети» именно в Образовательном центре BELHARD?
«Data Science: машинное обучение и нейронные сети» именно в Образовательном центре BELHARD?
Преподаватели курса
- Татьяна ПотолицынаЯвляется экспертом в области разработки ПО и внедрения ИИ-решений для бизнеса. Проводит обучение начальных и продвинутых групп по направлению Data Science.
Общий опыт в сфере разработки более 15 лет. - Александр КрощенкоПрактикующий разработчик коммерческих приложений в области ИИ с опытом более 7 лет. Кандидат технических наук, профессиональный преподаватель со стажем работы более 12 лет. Имеет опыт разработки систем с Computer Vision компонентами и рекомендательных систем.
Отзывы по курсу
При успешном окончании курса два сертификата помогут выделиться
Cертификат Образовательного центра BELHARD
Сертификат об обучении государственного образца
*Для подготовки требуются дополнительные данные. Подробности у менеджеров Учебного Центра.
Часто задаваемые вопросы
Да! Базовый курс рассчитан на новичков. Наш курс разработан таким образом, чтобы охватить все необходимые основы, начиная с самых простых концепций. Мы предлагаем подробные объяснения и практические задания, которые помогут вам постепенно освоить программирование и применять его в машинном обучении и нейросетях. Если у вас есть базовое понимание компьютеров и желание учиться, вы сможете успешно пройти курс. Если уже есть навыки и знания в программировании, это упростит обучение.
Для продвинутого уровня курса потребуются навыки программирования и GitHub-репозиторий с проектами.
Для продвинутого уровня курса потребуются навыки программирования и GitHub-репозиторий с проектами.
Курс требует усидчивости, но мы поддерживаем студентов на всех этапах:
- Обеспечиваем необходимую помощь в освоении материала и обратную связь по заданиям.
- Доступ к записям занятия для повторения материала.
- Первое занятие в качестве пробного. Вы можете оценить курс и понять, подходит ли он Вам без каких-либо обязательств.
- Обеспечиваем необходимую помощь в освоении материала и обратную связь по заданиям.
- Доступ к записям занятия для повторения материала.
- Первое занятие в качестве пробного. Вы можете оценить курс и понять, подходит ли он Вам без каких-либо обязательств.
Курс требует 10–12 часов в неделю:
- 6 часов — онлайн-занятия,
- 4–6 часов — практика и домашние задания.
- 6 часов — онлайн-занятия,
- 4–6 часов — практика и домашние задания.
Да! Курс включает как теоретические, так и практические занятия. Вы будете работать над реальными проектами, которые помогут закрепить полученные знания и применить их на практике. Практические задания охватывают различные аспекты машинного обучения и нейросетей, включая обработку данных, построение моделей и их оптимизацию.
- Google Colab и Jupyter Notebook для анализа данных.
- IDE на выбор: VS Code, PyCharm и другие.
- Библиотеки: Pandas, NumPy, Scikit-learn, TensorFlow/Keras.
- IDE на выбор: VS Code, PyCharm и другие.
- Библиотеки: Pandas, NumPy, Scikit-learn, TensorFlow/Keras.
К каждому занятию прилагаются ресурсы для углубленного изучения: статьи, видео, датасеты.
Да, при условии сдачи всех заданий и финального проекта. Сертификат признается работодателями в СНГ и будет дополнительным преимуществом в вашем резюме.