Data Science: машинное обучение и нейронные сети
Курс
Количество и время занятий
14 занятий, 2 раза в неделю, 18:30 – 21:30 (пн/ср)
Получите знания и практические навыки, которые помогут вам войти в одну из самых востребованных областей IT
Стоимость
1060 BYN
Формат
Онлайн
Старт
8 апреля 2026
Преподаватель: Крощенко Александр
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:
Аналитикам и специалистам по данным
Расширите инструментарий:
освоите алгоритмы машинного обучения,
feature engineering и методы оценки моделей.
освоите алгоритмы машинного обучения,
feature engineering и методы оценки моделей.
Новичкам в Data Science
Получите системную базу: Python, работа с данными, основы математики и машинного обучения — от первых шагов до собственного проекта.
Разработчикам и специалистам с техническим бэкграундом
Дополните программирование навыками Data Science:
научитесь строить, обучать и оценивать модели
для решения прикладных задач.
научитесь строить, обучать и оценивать модели
для решения прикладных задач.
Примеры задач, которые решает Data Scientist в реальных проектах
Ваш результат в конце курса:
2
Работаете с данными: сбор, очистка, анализ
1
Уверенно применяете Python в задачах Data Science
3
Разрабатываете модели машинного обучения
5
Защищаете финальный проект и формируете портфолио
4
Применяете современные алгоритмы и оцениваете их качество
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
- Что такое наука о данных?
- Этапы работ по машинному обучению.
- Типы машинного обучения.
- Установка Data Science Tools.
- Знакомство с Jupyter Notebook.
- Установка и настройка Jupyter Notebook.
- Введение в язык программирования Python.
- Установка и настройка Python.
- Выбор среды разработки (IDE).
- Работа с менеджером пакетов и виртуальным окружением.
- Понятие сложности алгоритма.
- Понятие системы контроля версий (VCS).
- Установка и настройка Git.
- Основные отличия Git от других систем контроля версий.
- Основы Git. Основные команды и рабочий процесс.
- Применение Git в Data Science.
- Значение данных в Data Science. Основы работы с данными.
- Типы данных: структурированные и неструктурированные.
- Методы и источники сбора данных.
- Очистка и предобработка данных.
- Использование инструментов Python для EDA.
- Визуальный анализ данных.
- Лучшие практики и частые ошибки.
- Введение в ООП.
- Модульность и импорт модулей.
- Типы и структуры данных.
- Переменны. Функции ввода-вывода. Типизация в Python.
- Основы булевой алгебры.
- Операторы ветвления и вложенные операторы.
- Основы циклов.
- Управление исключениями.
- Функции.
- Приоритет операторов.
- Коллекции в Python. Модуль collections.
- Понятие объекта в Python. Объекты как экземпляры классов
- Атрибуты и методы объектов.
- Встроенные методы объектов.
- Создание классов в Python
- Определение класса и его структура.
- Создание методов класса.
- Практическая часть.
- Расширенное использование классов.
- Модули в Python.
- Разработка простого модуля.
- Основные понятия и обозначения.
- Знакомство с понятиями вектор, матрица, векторное пространство.
- Действия над векторами и матрицами.
- Специальные типы матриц.
- Теория вероятности и комбинаторика.
- Случайные величины и дисперсия.
- Условная вероятность и формула Байеса.
- Практическое применение вероятностей и формулы Байеса.
- Знакомство с NumPy.
- Введение в работу с данными.
- Типы данных и их структура.
- Методы и инструменты для обработки данных.
- Обработка, хранение и использование информации.
- Типы баз данных.
- SQL и Postgres.
- Базовый SQL.
- Продвинутый SQL.
- Безопасность и конфиденциальность данных.
- Практическое применение.
- Введение в фича инженерию признаков.
- Значение инженерии признаков в машинном обучении.
- Качество признаков.
- Техники преобразования признаков.
- Методы отбора Признаков.
- Проклятие размерности.
- Практическое применение.
- Машинное обучение.
- Классификатор градиентного бустинга.
- Классификатор CatBoost.
- Классификатор Ada Boost.
- Классификатор Extra Trees.
- Квадратичный дискриминантный анализ.
- Классификатор LightGBM.
- Классификатор K-Nearest Neighbors.
- Классификатор дерева решений.
- Экстремальный градиентный бустинг.
- Фиктивный классификатор.
- SVM - линейное ядро.
- Ансамбли моделей.
- Дисбаланс классов.
- Регрессор Gradient Boosting.
- Регрессор LGBM.
- Экстремальный градиентный бустинг.
- Регрессор Extra Trees.
- Регрессор случайного леса.
- Регрессор CatBoost.
- Регрессор AdaBoost.
- Регрессия Лассо.
- Гребневая регрессия.
- Байесовская регрессия.
- Линейная регрессия.
- Регрессор Губера.
- Регрессор дерева решений.
- Ортогональный поиск соответствия.
- Пассивно-агрессивный регрессор.
- Регрессор K-ближайших соседей.
- Фиктивный регрессор.
- Elastic Net.
- Аномалии.
- Обнаружение выбросов на основе углов.
- Локальный выброс на основе кластеризации.
- Локальный выброс на основе связности.
- Лес изолированных деревьев.
- Обнаружение выбросов на основе гистограммы.
- Детектор K-Nearest Neighbors.
- Фактор локального выброса.
- Одноклассовый SVM-детектор.
- Анализ главных компонент.
- Метод минимального ковариационного детерминанта.
- Обнаружение выбросов в подпространстве.
- Стохастический отбор выбросов.
- Кластеризация.
- Методы оценки качества кластеризации.
- Автоэнкодеры для кластеризации.
- Кластеризация по методу K-Means.
- Метод распространения близости.
- Кластеризация со средним сдвигом.
- Спектральная кластеризация
- Агломеративная кластеризация.
- Пространственная кластеризация на основе плотности.
- Кластеризация на основе OPTICS.
- Кластеризация с помощью иерархий.
- Кластеризация на основе K-Modes.
- Введение во временные ряды.
- Прогнозирование временных рядов.
- Основные алгоритмы и их применение.
- Модели ARIMA и SARIMA.
- Глубокое обучение для временных рядов.
- Рекуррентные нейронные сети (RNN).
- Сверточные нейронные сети (CNN).
- Трансформеры.
- Автоэнкодеры.
- 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.
- Наборы данных.
- Финальные проекты, презентация git-репозитория.
- Викторина или популярные вопросы на собеседованиях.
- Что такое Data Science?
- Место машинного обучения и нейронных сетей в науке о данных.
- Ключевые роли в Data Science.
- Жизненный цикл проекта DS.
- Роль языка программирования Python в машинном обучении.
- Установка и настройка необходимого ПО для начала работы (интерпретатор, библиотеки, среды разработки).
- Основы Python.
- Переменные, понятие о типах данных языка.
- Структурирование кода, импорт модулей.
- Операторы ветвления и цикла.
- Функции.
- Основы ООП (определение и использование классов, встроенные методы).
- Организация совместной работы над исходным кодом, основы Git (создание репозитория, оформление коммитов и пул-реквестов, основные команды).
- Базовые понятия.
- Типы машинного обучения.
- Контролируемое обучение (Supervised Learning).
- Неконтролируемое обучение (Unsupervised Learning).
- Обучение с подкреплением (Reinforcement Learning).
- Задачи машинного обучения (регрессия, классификация, кластеризация, понижение размерности). Основные проблемы (переобучение, недообучение).
- Понятие объекта в Python. Объекты как экземпляры классов
- Атрибуты и методы объектов.
- Встроенные методы объектов.
- Создание классов в Python
- Определение класса и его структура.
- Создание методов класса.
- Практическая часть.
- Расширенное использование классов.
- Модули в Python.
- Разработка простого модуля.
- Важность предобработки данных в машинном обучении.
- Типы ошибок в данных.
- Работа с пропущенными значениями.
- Методы импутации.
- Обработка дубликатов.
- Преобразование типов данных.
- Основы Pandas.
- Двумерная табличная структура данных DataFrame.
- Загрузка данных.
- Визуализация данных.
- Matplotlib.
- Выбор правильного типа графика.
- Основные типы (гистограмма, диаграмма рассеяния, линейный график, столбчатая диаграмма, диаграмма размаха).
- Seaborn.
- Задача регрессии.
- Линейная и полиномиальная регрессии.
- Множественная линейная регрессия.
- Сплайновая регрессия.
- Оценка качества решения регрессионной задачи.
- Основные метрики качества.
- Задача классификации.
- Наивный Байес.
- Логистическая регрессия.
- Машины опорных векторов (SupportVector Machines).
- Метод k-ближайших соседей (k-NN).
- Оценка качества решения классификационной задачи.
- Матрица ошибок.
- Основные метрики качества.
- ROC-анализ.
- Проблема несбалансированных классов и ее решение.
- Задача кластеризации.
- Алгоритм K-Means (K-Средних).
- Иерархическая кластеризация.
- Проклятие размерности (Curse of Dimensionality).
- Задача понижения размерности данных.
- Метод главных компонент (PCA – Principal Component Analysis).
- Принципы построения дерева.
- Критерии разделения на поддеревья.
- Ансамблевые методы.
- Бэггинг.
- Случайный лес (Random Forest).
- Бустинг (AdaBoost, градиентный бустинг, стохастический градиентный бустинг).
- Проблема переобучения (Overfitting).
- Проблема недообучения (Underfitting).
- Регуляризация.
- Разделение на обучающую и тестовую выборки (train/test split).
- Кросс-валидация (cross-validation).
- Что такое ИНС?
- Классификация.
- Структура искусственного нейрона.
- Правило обучения Хебба.
- Персептрон Розенблатта.
- Линейный нейрон.
- Многослойные нейронные сети.
- Решение модельных задач с использованием нейросетевых моделей.
- Метод обратного распространения ошибки.
- Глубокие нейронные сети – предпосылки возникновения и решаемые задачи.
- НС, применяемые для решения основных задач машинного обучения.
- Автоэнкодерные архитектуры НС.
- Самоорганизующиеся карты Кохонена.
- Рекуррентные нейронные сети (классические модели, LSTM, GRU).
- Структура СНС, основные типы слоев.
- Решаемые задачи в области компьютерного зрения.
- Классификация и детекция объектов на изображениях и видео, сегментация изображений.
- Практики решения задач.
- Обзор пройденного материала.
- Обсуждение и демонстрация проектов.
- Куда двигаться дальше?
- Трансферное обучение.
- Обработка естественного языка (NLP).
- Генеративные модели.
- Трансформеры.
Адаптивная программа
Академия BELHARD даёт выверенные знания, которые позволяют пройти техническое собеседование. Программы регулярно адаптируются под потребности рынка.
Трудоустройство
Наш карьерный центр окажет содействие в подготовке к успешному интервью с партнёрами-работодателями. Вы также получите персональные рекомендации для создания резюме. Узнать подробнее
Всего 1060 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
Никаких требований к базовым знаниям
На наших курсах мы помогаем изучить Data Science каждому, независимо от возраста и имеющихся профессиональных знаний.
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 Академии BELHARD?
«Data Science: машинное обучение и нейронные сети» именно в Академии 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 Академии 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! Карьерный центр поможет подготовить резюме для эффективного представления ваших навыков и ускорит трудоустройство. Учтите, что конкуренция в сфере высока — успех зависит от вашей вовлеченности, качества проектов и умения выделить свои сильные стороны.
Также мы сотрудничаем с IT-компаниями и рекомендуем лучших выпускников для стажировок.
Также мы сотрудничаем с IT-компаниями и рекомендуем лучших выпускников для стажировок.
Да, при условии сдачи всех заданий и финального проекта. Сертификат признается работодателями в СНГ и будет дополнительным преимуществом в вашем резюме.