Що ти зможеш після курсу?
- готувати дані й навчати регресійні моделі на великих масивах
- застосовувати фільтр Калмана і нелінійне згладжування для рекурентної обробки сигналу
- будувати системи підтримки прийняття рішень на багатокритеріальних методах
- вирішувати задачі кластеризації, класифікації та ідентифікації
- конструювати штучні нейронні мережі й підбирати тип мережі під задачу
- прогнозувати показники ефективності для e-commerce
- будувати SCORING-модель кредитних ризиків під банківський CRM
- працювати з геопросторовими даними і збирати макет GIS-системи
Де це працює на проєктах: аналіз даних для e-commerce · промислові та інфраструктурні CRM/ERP · Digital Twins, Automotive, IoT
Для кого цей курс?
- Software Engineer (Python, backend)
Коли в команді з’являється ML-задача, її забирає той, хто вже в темі. Пререквізити ти закриваєш уже сьогодні — залишається сама методологія.
- Data / BI аналітик.
Ти будуєш звіти і хочеш будувати прогнози. Для орієнтиру: медіана Data Analyst — $1550, Data Scientist — $2700 (DOU, зарплатний звіт, зима 2026).
- R&D-інженер або technical PM, який пише код.
Сенсорні дані, навігація, геоаналітика, багатокритеріальні рішення — теми 1.1, 1.2 і 2.3 програми.
- Domain expert з математичною освітою — фінанси, e-commerce, telecom.
Дані є, обробка йде руками, хочеться моделей під свою галузь.
Як проходить навчання?
- Live-заняття 2 рази на тиждень (Вт, Чт), 10,5 тижнів. Паралельно з роботою.
- 5 практичних воркшопів: Regression · Classification p.1 · Classification p.2 · Clustering · Neural Networks. Пишемо код разом і розбираємо помилки.
- 15 домашніх завдань. Кожне лектор коментує особисто і ставить бал.
- Живий чат із менторами на весь час курсу.
- Записи занять доступні, якщо пропустив.
На які ролі можна претендувати після курсу?
Data Scientist — моделювання і прогнозування на великих масивах даних
ML Engineer — побудова моделей і виведення їх у роботу
Data Analyst — поглиблення аналітики до прогнозних моделей
Програма курсу Data Science
21 заняття, 2 модулі. Модуль 1 (заняття 1–16) — методологічні та технологічні основи. Модуль 2 (заняття 17–21) — прикладні кейси: e-commerce, банківський скоринг, GIS.
Тема 1.1. Методи та технології статистичного навчання (Statistical Learning).
- Заняття 1 — Вступ до статистичного навчання · ДЗ 0: Знайомство
- Заняття 2 — Підготовка даних для статистичного навчання · ДЗ 1: Підготовка та аналіз даних
- Заняття 3 — Навчання регресійної моделі за Big Data масивом · ДЗ 2: Поліноміальна регресія
- Заняття 4 — Фільтрація Калмана (Kalman filter) · ДЗ 3: Рекурентне згладжування
- Заняття 5 — Нелінійне згладжування, R&D-результати
- Заняття 6 — Workshop 1. Regression · ДЗ 4: Регресія
Тема 1.2. Технології підтримки прийняття рішень (для Decision Support System (DSS)).
- Заняття 7 — Теорія і практика підтримки прийняття рішень
- Заняття 8 — Багатокритеріальні методи прийняття рішень, R&D-результати · ДЗ 5: Макет ERP-системи багатокритеріального прийняття рішень
Тема 1.3. Інтелектуальний аналіз даних (Data Intelligence).
Заняття 9 — Методичні основи та технології інтелектуального аналізу даних · ДЗ 6: Реалізація процесів інтелектуального аналізу даних — міні-проєкти в галузі OLAP, Data Mining, Text Mining
Тема 1.4. Машинне навчання (Machine Learning (ML)).
- Заняття 10 — Методи та технології кластеризації · ДЗ 7: Реалізація методів кластеризації
- Заняття 11 — Workshop 2. Classification p.1
- Заняття 12 — Workshop 3. Classification p.2 · ДЗ 8: Прикладна кластеризація
- Заняття 13 — Методи та технології класифікації та ідентифікації · ДЗ 9: Реалізація методів класифікації/ідентифікації
- Заняття 14 — Workshop 4. Clustering · ДЗ 10: Прикладна класифікація
Тема 1.5. Технології штучних нейронних мереж (Artificial Intelligence (AI)).
- Заняття 15 — Основи штучних нейронних мереж · ДЗ 11: Конструювання штучних нейронних мереж
- Заняття 16 — Основні типи та технології штучних нейронних мереж
- Заняття 17 — Workshop 5. Neural Networks · ДЗ 12: Застосування штучних нейронних мереж
Тема 2.1. Алгоритми та технології прогнозування динаміки зміни показників ефективності торговельних компаній.
Заняття 18 — Алгоритми та технології прогнозування динаміки зміни показників ефективності торговельних компаній · ДЗ 13: Розробка програмного модуля прогнозування — міні-проєкти в галузі аналізу даних для e-commerce
Тема 2.2. Алгоритми та технології визначення кредитних ризиків для банківських CRM систем.
- Заняття 19 — Методологічні основи SCORING-аналізу
- Заняття 20 — Практика SCORING-аналізу · ДЗ 14: Макет CRM-системи SCORING-аналізу — міні-проєкти в банківській сфері
Тема 2.3. Обробка геопросторової інформації (для Geographic Information System (GIS)).
Заняття 21 — Основи геоінформаційних технологій і практика аналізу геопросторової інформації · ДЗ 15: Макет GIS-системи
Яка база потрібна перед початком?
Заняття 1 — статистичне навчання. Заняття 4 — фільтр Калмана. Заняття 8 — багатокритеріальні методи прийняття рішень. Основ Python у програмі немає: 21 заняття зібрані так, щоб не витрачати перші тижні на те, що ти вже вмієш.
Ось що для цього має бути закрито:
- Програмування — принципи, алгоритмізація, базові алгоритми.
- Python — синтаксис, типи і структури даних, оператори розгалуження, функціональне та ООП-програмування, робота з IDE, створення оточення.
- Математика — теорія ймовірностей, дискретна математика, теорія матриць, дослідження функцій, аналітична геометрія, тригонометрія.
Є сумніви щодо якогось пункту — напиши Світлані, менеджерці курсу. Розберемо, з чим ти заходиш, і чи комфортно тобі буде на цьому потоці. Безкоштовно, ні до чого не зобов’язує.
@altair_s16 · +380967669060 · svitlana.chavus@sigma.software
Відгуки про курс:
Курс Data Science
Курс Data Science
Курс Data Science
Курс Data Science
Вітаю, мене звати Литвинова Євгенія і я є Президентом/CEO/Аналітиком Клубу експортерів України. Кожен день ми займаємося аналізом великих масивів даних по експорту та імпорту, а тому курс Data science був актуальний для мене. Я обирала курс за принципом розширення знань, який потребую для реалізацій поставлених перед експортерами задач, а також на сьогодні кожен аналітик повинен знати нюанси та вміти працювати зі штучним інтелектом. Чому саме обрала Sigma Software University? Тому що тут є експерт, якому я довіряю, його знання перевірені часом, а вміння пояснювати надихає. Окрема вдячність Андрію Салаті за те, що він завжди на крок попереду всіх у Data science у протягом багатьох років, Sigma Software University пощастило мати такого експерта. Дуже задоволена також і другим експертом Олексієм Писарчуком, це було наше перше знайомство, але впевнена, що не останнє. Приємно працювати із дослідником, експертом своєї справи, та крутим професіоналом.
Я проходила навчання, як в Україні, так і за кордоном, але завжди приємно чути пояснення рідною мовою, і вивчати ще й українську термінологію.
Отриманий досвід надає мені можливість стати більш прогресивним експертом, використовуючи останні технології у світі Data science. Тепер ці знання лише посилять позиції клубу та українських експортерів на світовій арені, ми щиро в це віримо.
Дякую експертам, Sigma Software University та всім причетним до моєї реєстрації на курс. Я ще обов’язково прийду поглиблювати свої знання у Data science, але вже у більш вузькоспрямованому курсі по time series. До зустрічі.
FAQ (Часті питання)
Чи потрібен попередній досвід для проходження онлайн курсів Data Science?
Наш курс розроблений з урахуванням того, що студенти можуть не мати жодного досвіду в Data Science, але для ефективної роботи протягом курсу бажано мати:
- Базові знання з програмування
- Базові знання Python
- Базові знання з математики: елементи теорія ймовірностей; дискретна математика; теорія матриць; дослідження функцій; аналітична геометрія; тригонометрія
Чи є технічні вимоги до комп'ютера для занять на курс Data Science?
Щоб твоє навчання на курсах Data Scientist проходило максимально ефективно, рекомендується мати комп’ютер з наступними технічними характеристиками:
Операційна система:
- Windows 10 64-біт
- macOS 10.13 або вище
- Linux: Ubuntu 16.04 – 20.04
Процесор:
- Мінімум Intel core i3 4-го покоління
- Рекомендується i5 7-го покоління
Допустимі аналоги від AMD
Оперативна пам’ять:
- Мінімум 8 Гб
- Рекомендується 12 Гб
Дисковий простір:
- Мінімально 200 Гб HDD і більше
- Рекомендується 200 SSD і більше
Чи можлива оплата курсу data scientist навчання онлайн частинами?
Так, ми надаємо можливість розтермінування оплати курсу “Дата Сайнс” на кілька частин. Проте, у такому разі не діють акційні пропозиції, тобто оплата частинами можлива лише повної вартості курсу. Для детальної інформації щодо умов оплати та розстрочки, звернись до менеджера курсу або зазнач свої побажання під час реєстрації на курс.
Чи можна повернути кошти?
Так, згідно з публічним договором-офертою: до дати старту курсу — 100% вартості; після першого заняття — 70%; після двох тижнів навчання — 40%; після трьох тижнів — повернення не здійснюється. Заява надсилається на university@sigma.software, кошти повертаються протягом 10 робочих днів за вирахуванням комісії платіжної системи.
Чи будуть записи занять?
Так, записи всіх занять доступні на весь час навчання.
У мене вже є сертифікат TensorFlow / Coursera ML. Що дасть курс?
TensorFlow — фреймворк для нейромереж, і реалізувати в ньому модель ти вже вмієш. На курсі нейромережі — це заняття 15–17 з 21. Решта 18 — статистичне навчання і фільтр Калмана, системи підтримки прийняття рішень, data mining, кластеризація і класифікація, прогнозування для e-commerce, банківський скоринг, GIS. Курс дає методологію вибору: яку модель брати під задачу і тип даних, і чому саме її. Реалізацію ти вже закрив.
Доступна оплата частинами без комісії та відсотків від ПриватБанк та Монобанк
Тренери курсу
