academy@academyit.ru
70% практики и сквозной проект
От первого ноутбука до защищённого продукта. Меньше теории — больше кода.
pp_ds
Машинное обучение и наука о данных, Цифровые профессии
256 ак.часов / 5,5 месяцев
Специалист Data Science
108000 ₽
135000 ₽
* – Специальная стоимость действует до 31 августа 2026
Смешанная форма обучения - модульная: онлайн вебинары (или очно), практические задания, виртуальные лаборатории.
-
✓
256 часов
достаточно, чтобы стать специалистом
✓50 % практики
работа с датасетами и самопроверкой
✓Современный стек
Python, PyTorch, SQL/NoSQL, контейнеризация, пайплайны
✓Диплом
о профессиональной переподготовке
Данные растут в геометрической прогрессии — и тем, кто умеет их превращать в продукт и деньги, всегда найдётся место. Специалисты по Data Science проектируют эксперименты, обучают модели машинного обучения и запускают их в продакшн. Это работа на стыке математики, программирования и аналитики — и она реально влияет на решения миллионов пользователей.Data Scientist нужен в банках, e-commerce, медицине, индустрии игр и даже госструктурах.
-
Чему вы научитесь
Выбирать подходящие методы для каждой задачи Обучать и оптимизировать модели Анализировать и визуализировать данные Выбирать оптимальные алгоритмы Использовать Seaborn и Plotly Применять методы обработки данных Автоматизировать и развёртывать модели Применять алгоритмы ML: kNN, линейная и логистическая регрессия, кластеризация, деревья решений Интегрировать решения в бизнес-процессы (MLOps) Работать с пропущенными и различными типами данных Преобразовывать бизнес-задачи в задачи ML Оценивать качество моделей (метрики для регрессии и классификации) Использовать JupyterLab, NumPy, SciPy, Pandas и Matplotlib Строить графики и визуализации для принятия решений Использовать Scikit-learn, XGBoost, LightGBM и CatBoostКому подойдёт
Тем, кто хочет применять Data Science в своей работе и делать решения на основе данных
1Тем, кто хочет стать дата-сайентистом, научиться строить модели машинного обучения и анализировать данные
2Тем, кто работает в IT или аналитике, но хочет освоить новые методы работы с данными и AI
3Тем, кто хочет развиваться в машинном обучении и AI, и использовать эти знания для улучшения бизнеса
4
Что будет на курсе
Основы для Data Science
Python, NumPy, Pandas, Scikit-learn,
PyTorch, Matplotlib, SeabornСУБД
SQL, NoSQL: проектирование,
запросы, индексыСистемы контроля версий
Git — от clone до pull request
Автоматизация и пайплайны
Apache Airflow: DAG, мониторинг,
оркестрацияКонтейнеризация
Docker и Kubernetes: сборка,
деплой, скейлингМашинное обучение
Классификация и регрессия
в Scikit-learn и PyTorchГлубокое обучение
Нейросети в PyTorch и TensorFlow
для сложных задачВизуализация данных
Matplotlib, Seaborn, Plotly —
статичные и интерактивные графики
Почему наш курс?
Преподаватели-практики
Реальные кейсы, код-ревью и обратная связь от людей из индустрии.
Стек от DS до MLOps
Python → ML/DL → Airflow, Docker, K8s. Учим доводить модели до продакшна.
Поддержка и менторство
Чаты, разборы, проверка заданий — не останешься один на один с задачами.
Официальный документ
Диплом о профпереподготовке на 256 часов — весомый аргумент для HR.
Попадите в кадровый резерв ГК Softline
Разместим резюме выпускников в кадровом резерве ГК Softline
-
Программа курса
Фундаментальные основы Data Science
- Основы Data Science и его роль в современном мире
- Python для Data Science: основы синтаксиса и структуры данных
- Функциональное программирование и ООП в Python
- Git и командная работа
- Работа с IDE и Jupyter Notebooks
- Линейная алгебра: векторы, матрицы, собственные значения
- Матем. анализ: производные, градиенты, оптимизация функций
- Теория вероятностей
- NumPy — продвинутые техники
- Pandas: сложные трансформации и оптимизация производительности
- SQL и БД: реляционные запросы, NoSQL-решения
Обработка и анализ данных
- ETL-процессы и pipeline: архитектура, Apache Airflow
- Работа с большими данными: PySpark, Distributed Computing
- Matplotlib углублённо, Seaborn Pro
- Plotly / Dash и Streamlit для интерактивной визуализации
- Описательная статистика углублённо
- Статистические тесты, байесовский анализ
- Продвинутое A/B-тестирование
Классическое машинное обучение
- Линейные модели: продвинутая регрессия, регуляризация
- Ансамбли: Random Forest Pro, Gradient Boosting детально
- SVM и kernel-методы
- Кластеризация: классические и спектральные алгоритмы
- Понижение размерности: PCA, t-SNE, UMAP, автоэнкодеры
- Продвинутые метрики, кросс-валидация, бутстрап
- Оптимизация гиперпараметров
Deep Learning и нейронные сети
- Архитектура нейронных сетей, функции активации, оптимизаторы
- PyTorch углублённо
- CNN: архитектуры, Object Detection, Segmentation
- GANs — основы
- RNN, LSTM углублённо, Attention
- Прогнозирование временных рядов
Natural Language Processing
- Предобработка текста, Word Embeddings, Topic Modeling
- Трансформеры, BERT-подобные модели
- LLM: применение и файн-тюнинг
MLOps и производственное внедрение
- ML-pipeline автоматизация, версионирование данных и моделей
- CI/CD для ML, мониторинг и логирование
- REST API (Flask / FastAPI), контейнеризация Docker
- Kubernetes и облачные платформы для ML
Преподаватели
