Naučite data science od osnova Python-a do naprednog mašinskog učenja i steknite sve veštine da biste se pridružili nekom data science timu i pospešili svoju karijeru.
Od biblioteke Pandas do dubokog učenja, posle završenog kursa ćete znati kako da istražujete, čistite i transformišete podatke u praktična zapažanja i kako da implementirate modele mašinskog učenja od početka do kraja u proizvodno okruženje, radeći u timovima sa najboljim veštinama u oblasti.
Naš data science kurs je tek početak puta. Kad dobijete diplomu MCB-a, postajete deo globalne tehnološke zajednice. Zadržavate pristup našoj onlajn platformi s celokupnim sadržajem vašeg kursa i deo ste aktivnog Slack radnog prostora, gde i dalje učite, dobijate sugestije i savete od profesionalnih data scientist-a, imate pristup ekskluzivnim mogućnostima za standardne i frilenserske poslove koje nude preduzetnici i programerske firme. Takođe, imaćete koristi od naših usluga za razvoj karijere, a mi ćemo vam pomagati da se povežete s najboljim regruterima koji traže talente za uloge vezane za podatke, putem događaja za umrežavanje, sajmova zapošljavanja i koučinga.
U MCB-u je diplomiralo preko 15.000 polaznika za 22 godine. Mnogi od njih su se zaposlili u tehnološkim kompanijama kao inženjeri, programeri, analitičari ili menadžeri proizvoda. Takođe, mnogi su započeli karijeru kao frilenseri ili su pokrenuli svoju startap kompaniju.
Mi obučavamo ljude još od 2001. godine i posvećeni smo izuzetnosti. Posle našeg Data Science Bootcamp-a moći ćete da:
Ako naučite da istražujete, čistite, analizirate i predviđate podatke, to vas može povesti različitim putevima. Evo mogućih ishoda za vas kada završite naš Data Science Bootcamp:
Odaberite format učenja koji vama najviše odgovara
Učite data science korak po korak, počev od osnovnog kompleta alata za rad s podacima u Python-u i matematici, pa sve do kompletnog ciklusa implementacije i primene algoritama mašinskog učenja.
Za naš data science kurs je potreban osnovni nivo poznavanja Python-a i matematike. Pošto želimo da svi naši polaznici budu uspešni, pre početka bootcamp-a moći ćete da proverite svoj nivo znanja i da osvežite svoje veštine.
Ovaj modul obuhvata osnove Python-a i matematike za data science. Naučićete osnove programiranja u Python-u, kako da radite s Jupyter Notebook-om i Jupyter Lab-om i upoznaćete se s moćnim Python bibliotekama koje se koriste u data science, kao što su Pandas i NumPy, za istraživanje velikih skupova podataka i obavljanje statističkih analiza. Pored toga, naučićemo vas kako da prikupljate podatke iz raznih izvora, uključujući CSV fajlove, SQL upite za relacione baze podataka, Google Big Query, API-je i izvlačenje podataka s veb-stranica (Web scraping). Naučićete i kako da pravite vizualizacije radi transformisanja podataka u praktična zapažanja. I na kraju, razumećete koncepte verovatnoće, statistike i linearne algebre koji čine temelje analize podataka i mašinskog učenja.
Naučite programiranje u Python-u, kako da radite s Jupyter Notebook-om i da koristite moćne Python biblioteke, kao što su Pandas i NumPy, da istražujete i analizirate velike skupove podataka. Prikupljajte podatke iz raznih izvora, uključujući CSV fajlove, SQL upite za relacione baze podataka, Google Big Query, API-je i Web scraping.
Veštine koje ćete naučiti:
Naučite kako da formulišete dobro pitanje i kako da dobijete odgovor na njega pravljenjem odgovarajućeg SQL upita. Ovaj modul će obuhvatiti arhitekturu šeme, a potom zaći duboko u naprednu manipulaciju funkcijom SELECT da se izvuku korisne informacije iz samostalne baze podataka ili koristeći SQL klijentski softver kao što je DBeaver.
Veštine koje ćete naučiti:
Učinite da analiza podataka bude vizuelnija i razumljivija tako što ćete uključiti vizualizacije podataka u Notebook. Naučite kako da grafički prikažete okvire podataka pomoću Python biblioteka kao što su Matplotlib i Seaborn i da transformišete podatke u praktična zapažanja.
Veštine koje ćete naučiti:
Steknite dobro razumevanje matematike koja leži u osnovi svih biblioteka i modela koji se koriste u bootcamp-u. Upoznajte se s osnovnim konceptima statistike i verovatnoće (sredina, varijansa, slučajna promenljiva, Bajesova teorema, itd.) i s matričnim računom, u srži numeričkih operacija u bibliotekama kao što su Pandas i NumPy.
Veštine koje ćete naučiti:
U svom prvom jednonedeljnom mini-projektu, naučićete kako da koristite statističke alate i multivarijacionu regresionu analizu da na pravo poslovno pitanje
odgovorite kao pravi data analitičar. Naučićete kako da strukturirate Python repozitorijum putem objektno orijentisanog programiranja da biste očistili svoj kod i učinili da bude ponovo upotrebljiv, kako da uspešno prebrodite fazu pripreme podataka kad imate ogroman skup podataka i kako da pronađete i interpretirate smislene statističke
rezultate na osnovu modela multivarijacione regresije.
Veštine koje ćete naučiti:
Od analitičara podataka se očekuje da svoja saznanja saopštavaju publici koja nije za to stručna. Naučićete kako da izvršite uticaj objašnjavanjem svojih stručnih
zapažanja i kako da ih pretvorite u poslovne odluke pomoću cost-benefit analize. Bićete osposobljeni da dajete obaveštenja o svom napretku, da prezentujete svoje rezultate i da ih upoređujete s kolegama iz tima.
U ovom modulu ćete steći saznanja o različitim klasama modela mašinskog učenja i njihovim primenama. Temeljno ćete se upoznati s najkorišćenijom bibliotekom u mašinskom učenju – scikit-learn. Počećete od nadziranog učenja i klasičnih metoda kao što su linearne i logističke regresije za rešavanje zadataka predviđanja. Potom ćete preći na nenadzirano učenje i implementirati metode kao što su PCA za smanjenje broja dimenzija ili klasterovanje za otkrivanje grupa u skupu podataka. Pored toga, naučićemo vas kako da prepoznate preterano prilagođavanje podacima, kao i različite tehnike za njegovo izbegavanje. Na kraju ćete naučiti kako da optimizirate i evaluirate različite modele da biste postigli najbolji učinak koristeći metode kao što su unakrsna validacija i hiperparametarska optimizacija. Usput ćete implementirati sve bitne algoritme učenja kao što su KNN, metodi potpornih vektora i ansambl metodi kao što su slučajne šume ili pojačanje gradijenata.
Naučite kako da istražujete, čistite i pripremate skup podataka pomoću tehnika prethodne obrade kao što je vektorizacija. Upoznajte se s klasičnim modelima nadziranog učenja – linearnim i logističkim regresijama. Naučite kako da rešavate zadatke predviđanja i klasifikacije pomoću Python biblioteke scikit-learn koristeći algoritme učenja kao što je KNN (k-najbliži susedi).
Veštine koje ćete naučiti:
Sprovedite faze treniranja i testiranja da biste bili sigurni da vaš model može da se generalizuje na neviđene podatke i da može da se implementira u proizvodno okruženje s predvidljivom preciznošću. Naučite kako da pomoću metoda regularizacije sprečite preterano prilagođavanje podacima i kako da izaberete odgovarajuću funkciju gubitka da biste poboljšali preciznost svog modela.
Veštine koje ćete naučiti:
Evaluirajte učinak svog modela tako što ćete odrediti šta treba optimizirati, kao i odgovarajuće metrike greške da biste procenili svoj uticaj na poslovanje. Poboljšajte učinak modela pomoću metoda validacije kao što su unakrsna validacija ili hiperparametarska optimizacija. I na kraju, upoznajte se s moćnim metodom nadziranog učenja koji se zove SVM (Support Vector Machines – metodi potpornih vektora)
Veštine koje ćete naučiti:
Pređite na nenadzirano učenje i implementirajte metode kao što su PCA za smanjenje broja dimenzija ili klasterovanje za otkrivanje grupa u skupu podataka. Upotpunite svoj komplet alata ansambl metodima koji kombinuju druge modele za poboljšanje učinka, kao što su slučajne šume ili pojačanje gradijenata.
Veštine koje ćete naučiti:
Otkrijte magiju koja se krije iza dubokog učenja tako što ćete razumeti arhitekturu neuronskih mreža (neurona, slojeva, stekova) i njihovih parametara (aktivacija, gubitaka, optimizatora). Postanite samostalni u izradi sopstvenih mreža, a naročito u radu sa slikama, vremenima i tekstom, dok istovremeno učite tehnike i trikove koji omogućavaju duboko učenje.
Veštine koje ćete naučiti
Upoznajte se dublje s radom sa fotografijama i slikama putem konvolucionih neuronskih mreža, arhitektura dizajniranih da izvuku maksimum iz slika. Poboljšajte generalizaciju modela zahvaljujući tehnikama augmentacije podataka i implementirajte napredne metode kako biste iskoristili najsavremenije arhitekture zahvaljujući metodima transfernog učenja.
Veštine koje ćete naučiti
Ovladajte upravljanjem sekvencijalnim podacima i tekstom (nizom reči) putem njihovog transformisanja u odgovarajuće inpute. Iskoristite moć rekurentnih neuronskih mreža da predviđate buduće vrednosti i da vršite obradu prirodnih jezika.
Veštine koje ćete naučiti
Upoznajte se s bibliotekom dubokog učenja Keras, koja vam omogućava laku izradu prototipova uz istovremenu fleksibilnost da precizno podešavate neuronsku mrežu. Osim toga, Google Colab će znatno skratiti vreme proračunavanja zahvaljujući namenskim grafičkim procesorima (GPU).
Veštine koje ćete naučiti
Za nedelju dana, naučite sve najbolje prakse u vezi s bavljenjem nekim uzbudljivim problemom iz oblasti mašinskog učenja koji je prevelik da biste ga rešavali samo na svom kompjuteru i učinite njegovo predviđanje dostupnim svima preko nekog API-ja! Prvo ćemo vas naučiti kako da postanete produktivniji u izradi modela mašinskog učenja tako što ćete koristiti odgovarajući tok rada. Potom ćemo iskoristiti biblioteku pod nazivom MLflow da evidentiramo vaša višestruka eksperimentisanja, iteracije i podešavanje. Zatim ćemo vam pokazati kako da vršite treniranje u velikom obimu koristeći moć cloud računara pomoću Google Cloud AI platforme. I na kraju, naučićete Docker da biste implementirali svoj kod i model u proizvodno okruženje i učinili ih dostupnim svima pomoću Cloud Run-a ili Kubernetes Engine-a.
Pređite s Jupyter Notebook-a na editor koda i naučite kako da pravilno postavite projekat mašinskog učenja da biste brzo i sa sigurnošću vršili iteracije. Naučite kako da model mašinskog učenja konvertujete u model s robustnim i skalabilnim pipeline-om pomoću biblioteke sklearn-pipeline koristeći kodere i transformatore.
Veštine koje ćete naučiti
Izrada modela mašinskog učenja od početka do kraja zahteva mnogo pripreme podataka, eksperimentisanja, iteracija i podešavanja. Naučićemo vas kako da vršite inženjering elemenata i hiperparametarsku optimizaciju da biste napravili najbolji model. Za to ćemo iskoristiti biblioteku pod nazivom MLflow.
Veštine koje ćete naučiti
Na kraju, pokazaćemo vam kako da implementirate svoj kod i model u proizvodno okruženje. Pomoću Google Cloud AI platforme, moći ćete da trenirate svoj model u velikom obimu (skaliranje), da ga upakujete i učinite dostupnim svima. I kao šlag na torti, koristićete Docker okruženje da implementirate sopstveni RESTful Flask API, koji bi se mogao ubaciti u bilo koji front-end interfejs.
Veštine koje ćete naučiti
Poslednje nedelje kursa će kulminirati izradom projekta koji će biti kruna vaših postignuća! Kroz saradnju u malim timovima, taj projekat će vam omogućiti da iskoristite sve
veštine koje ste naučili tokom celog bootcamp-a kako biste rešili realan data science problem.
Veštine koje ćete naučiti
Pripremite se da započnete novu karijeru putem radionica, razgovora i ”1 na 1“ koučinga. Nedelja karijere je opcioni jednonedeljni program pun praktičnih radionica da
biste se pripremili za sledeće korake. Od pravljenja portfolija do inspirativnih govora, pripremite se za nov život u tehnološkoj sferi!
Posle ove intenzivne Nedelje karijere, svim svojim diplomcima nudimo namenski
”1 na 1“ koučing.
Rekli smo vam, obrazovanje shvatamo veoma ozbiljno! Zato smo razvili najbolju on-line platformu koju smo mogli da zamislimo za svoje polaznike:
Sav taj sadržaj su temeljno razvili MCB-ovi predavači u poslednjih 20 godina, deo po deo, uzimajući u obzir baš svaku povratnu informaciju. Smatramo da je za odličan kurs programiranja potrebno mnogo ponavljanja i usavršavanja kako bi se osiguralo da se krećemo istom brzinom kao i tehnologija kojom podučavamo polaznike.
Naši bivši polaznici danas rade za najbolje kompanije kao data scientist-i, data analitičari, inženjeri, programeri ili product menadžeri.
