Data Scientist с сертификатами ITIL® Foundation (версия 5) и PRINCE2® Project Management Foundation (версия 7)

Основы инженерии данных и архитектуры данных (около 2 дней)

Задачи и области применения в области инженерии данных

Основы современных архитектур данных и платформ данных

Основы и сравнение облачных архитектур данных

OLTP и OLAP

Обработка структурированных, полуструктурированных и неструктурированных данных

Управление требованиями и моделирование данных (около 1 дня)

Требования к данным и источникам данных

Концептуальное моделирование данных

Моделирование структур данных и потоков данных

Контракты на данные, управление данными и прослеживаемость данных

Базы данных и обработка данных (около 1 дня)

Архитектура систем баз данных

Сравнение SQL, NoSQL и NewSQL

Реляционное моделирование данных

SQL для запроса и обработки данных

Хранение данных и современные архитектуры данных (около 2 дней)

Основы и архитектура систем хранилищ данных

Многомерное моделирование данных и проектирование схем

Факты, измерения и хранение исторических данных

Сравнение хранилищ данных, озер данных и lakehouse

Введение в dbt

Практическая реализация моделей данных

Интеграция данных и конвейеры данных (около 5 дней)

Интеграция данных и предоставление данных

Процессы ETL и ELT

Построение и оркестрация конвейеров данных

Очистка, валидация и качество данных

Пакетная и потоковая обработка

Практическое применение Airflow и Spark

Программирование и автоматизированная обработка данных (около 4 дней)

Среды Python и управление пакетами

Обработка и преобразование данных с помощью Python

Автоматизация процессов обработки данных

Подключение различных источников данных и интерфейсов

Разработка рабочих процессов в области инженерии данных

Контейнеризация с помощью Docker

ИИ-поддержка в процессах разработки и обработки данных

Работа над проектом (около 5 дней)

Закрепление изученного материала

Презентация результатов проекта

Введение в аналитику данных (около 1 дня)

Задачи, области применения и типичные сценарии использования аналитики данных

Процессы анализа данных и CRISP-DM

Роль аналитика данных и отличие от таких областей, как наука о данных, инженерия данных и бизнес-аналитика

Место искусственного интеллекта и машинного обучения в этой области

Python для анализа данных (около 1 дня)

Работа с Jupyter Notebooks

NumPy и Pandas для анализа данных

Импорт и экспорт данных из различных источников, например Excel и CSV

Выбор и преобразование данных

Подготовка данных и эксплоративный анализ данных (около 3 дней)

Очистка и преобразование данных с помощью Pandas

Работа с отсутствующими, ошибочными и аномальными данными

Объединение, группировка и агрегирование данных

Эксплоративный анализ данных и вывод первых выводов

Основы статистической обработки данных

SQL и управление данными (около 2 дней)

Реляционные базы данных и модели данных

Запросы и обработка данных с помощью SQL

Связки, агрегации и аналитические запросы

Взаимодействие SQL и Python в анализе данных

Качество данных и защита данных

Подключение и использование различных источников данных и систем баз данных

Визуализация данных и рассказывание историй на основе данных (около 2 дней)

Визуализация с помощью Matplotlib, Seaborn и Plotly

Выбор подходящих диаграмм и форм визуализации

Обработка и интерпретация результатов анализа

Рассказ на основе данных и коммуникация с учетом аудитории

Power BI и интерактивные информационные панели (около 2 дней)

Импорт и подготовка данных с помощью Power Query

Моделирование данных и связи

Основы DAX и показателей

Создание интерактивных отчетов и панелей мониторинга

Визуализация и представление ключевых показателей эффективности бизнеса

Обзор альтернативных решений в области бизнес-аналитики и визуализации

Анализ данных с использованием ИИ (около 2 дней)

Использование генеративного ИИ в рабочем процессе анализа данных

Подготовка, анализ и визуализация данных с помощью ИИ

Помощь в составлении запросов на Python и SQL

Составление подсказок для анализа данных и интерпретации результатов

Критическая оценка источников данных, а также выявление синтетических и неправдоподобных данных

Обеспечение качества, защита данных и ответственное использование ИИ

Бизнес-аналитика и основы статистики (около 2 дней)

Показатели и KPI в контексте предприятия

Описательная статистика и статистические взаимосвязи

Корреляция, причинно-следственная связь и простые регрессионные анализы

Основы доверительных интервалов и проверки гипотез

Интерпретация результатов анализа и выработка рекомендаций к действию на основе данных

Работа над проектом (около 5 дней)

Закрепление изученного материала

Презентация результатов проекта

Введение в машинное обучение и рабочий процесс ML (около 3 дней)

Основы, области применения и виды машинного обучения

Систематизация современных методов искусственного интеллекта и машинного обучения

Рабочий процесс машинного обучения с использованием scikit-learn

Данные для обучения, валидации и тестирования

Недообучение, переобучение и оценка моделей

Кросс-валидация

Подготовка данных и инжиниринг признаков (около 2 дней)

Качество данных и предварительная обработка данных

Масштабирование, нормализация и кодирование

Инженерия признаков и выбор признаков

Работа с отсутствующими значениями, выбросами и несбалансированными наборами данных

Обучение с учителем — регрессия и классификация (около 5 дней)

Методы регрессии и классификации

Линейные и регуляризованные модели

Методы, основанные на расстоянии, вероятности и деревьях

Ансамблевые и бустинг-методы

Сравнение моделей и оптимизация гиперпараметров

Метрики оценки и вероятностные прогнозы

Важность признаков и объяснимый ИИ 

Обучение без контроля (около 2 дней)

Сведение размерности и извлечение признаков

Методы кластеризации и оценка результатов кластеризации

Обнаружение аномалий

Анализ временных рядов и прогнозы (около 1 дня)

Основы и анализ данных временных рядов

Методы прогнозирования и машинное обучение для временных рядов

Нейронные сети и современный ИИ (около 2 дней)

Основы нейронных сетей и глубокого обучения

Машинное обучение для текстовых данных и обработка естественного языка

Базовые модели, крупные языковые модели и генеративный ИИ

Развертывание моделей машинного обучения (около 1 дня)

Хранение и предоставление обученных моделей

Разработка простых приложений машинного обучения

Интерфейсы и платформы для моделей машинного обучения

Работа над проектом (около 4 дней)

Закрепление изученного материала

Презентация результатов проекта

Введение в глубокое обучение (около 1 дня)

Глубокое обучение как разновидность машинного обучения

Основы нейронных сетей (около 4 дней)

Многослойные перцептроны

Расчет нейронных сетей

Оптимизация параметров модели, обратное распространение

Библиотеки глубокого обучения

Регрессия и классификация

Типичные функции потерь и активации

Оценка прогноза модели с помощью метрик

Метрики регрессии и классификации

Кривые обучения, оверфиттинг и регуляризация

Оптимизация гиперпараметров

Регуляризация L1/12

Отсев

Ранняя остановка

Стохастический градиентный спуск (СГС)

Момент, оптимизатор Адама

Оптимизация скорости обучения

Динамическая регулировка скорости обучения

Снижение скорости обучения на плато

Оптимизация скорости обучения с помощью TensorBoard

Управление процессом подгонки с помощью обратных вызовов

Сохранение и загрузка моделей

Конволюционная нейронная сеть (CNN) (около 2 дней)

Классификация изображений

Конволюционные слои, объединяющие слои

Перестраивающие слои, сглаживание, объединение глобальных средних

Архитектуры CNN ImageNet-Competition

Глубокие нейронные сети, исчезающие градиенты, пропуск связей, пакетная нормализация

Трансферное обучение (около 1 дня)

Адаптация и комбинирование моделей

Предварительное обучение без контроля

Дополнение данных изображениями, объяснимый ИИ

Загрузчик данных

Региональный CNN (около 1 дня)

Локализация объектов

Семантическая сегментация

Проблемы регрессии

Разветвленные нейронные сети

Архитектура YOLO

Модели U-Net

Методы творческой генерации изображений (около 1 дня)

Генеративные адверсарные сети (GAN)

Глубокие подделки

Диффузионные модели

Суперразрешение

Дополнение областей изображения

Применение базовых моделей из Hugging Face

Мультимодальные модели

LoRA-Fine-Tuning

Области применения генеративных моделей

Правовые ограничения

Рекуррентные нейронные сети (около 2 дней)

Анализ последовательностей

Рекуррентные слои

Обратное распространение во времени (BPTT)

Анализ временных рядов

Проблемы разрыва и исчезающего градиента

LSTM (Long Short-Term Memory)

GRU (Gated Recurrent Unit)

Глубокий RNN

Глубокий LSTM

Обработка текста с помощью нейронных сетей (около 2 дней)

Предварительная обработка текста

Встраивание слоев

Классификация текста

Анализ настроения

Обработка естественного языка (NLP)

Переводы

Генерация текста

Метод "последовательность-последовательность", архитектура кодер-декодер

Модели, использующие только кодер и только декодер

Локальное применение больших языковых моделей

Языковые модели (около 1 дня)

Архитектура трансфомеров

Внимание и многоголовое внимание

Позиционные кодировки

Тонкая настройка больших языковых моделей

Подсказки

Конвейеры генерации текста

Резюме

Чат-боты

Поиск Расширенная генерация

ИИ-агенты

Глубокое обучение с подкреплением (около 1 дня)

Управление динамическими системами

Агентские системы

Обучение через вознаграждение

Градиенты политики

Глубокое Q-обучение

Байесовские нейронные сети (около 1 дня)

Неопределенности в нейронных сетях

Статистическая оценка прогнозов

Доверие, стандартное отклонение

Несбалансированные данные

Методы выборки

Работа над проектом (около 3 дней)

Закрепление изученного материала

Презентация результатов проекта

Важные термины и определения ITIL (около 2 дней)

Управление цифровыми продуктами и услугами

Продукты, услуги и сервисные предложения

Создание ценности и взаимоотношения в сфере услуг

Потребители услуг, поставщики услуг, спонсоры, клиенты и пользователи

Качество услуг и соглашения об уровне обслуживания (SLA)

Полезность, гарантия, пользовательский опыт и устойчивость

Жизненный цикл продуктов и услуг ITIL

Непрерывное совершенствование

Четыре измерения управления продуктами и услугами ITIL (около 1 дня)

Организации и люди

Партнеры и поставщики

Информация и технологии

Потоки ценности и процессы

Холистический подход и внешние факторы влияния

Жизненный цикл продуктов и услуг ITIL (около 1 дня)

Открытие, проектирование, приобретение и создание

Переход, эксплуатация, поставка и поддержка

Создание ценности в жизненном цикле продукта и услуги

Итеративное и нелинейное использование жизненного цикла

Система ценностей ITIL (около 2 дней)

Компоненты системы ценностей ITIL и основные принципы ITIL

Управление, цепочка ценностей и операционная модель

Практика управления, практические рекомендации и непрерывное совершенствование

Ориентация на ценности, сотрудничество и оптимизация

Сервисные операции, релизы и управление проблемами

Непрерывная интеграция, непрерывная доставка и непрерывное развертывание

Инжиниринг надежности объекта (SRE) и наблюдаемость

Метрики и критические факторы успеха (CSF)

Идентификация, картирование и управление потоками создания стоимости (около 1 дня)

Потоки стоимости и управление потоками стоимости

Основные и вспомогательные потоки ценности

Мышление о сложности и оптимизация рабочих процессов

Составление карт потоков ценности

ITIL и искусственный интеллект (около 0,5 дня)

Искусственный интеллект (ИИ) и зрелость ИИ

Генеративный ИИ (GenAI) и агентный ИИ

ИИ в жизненном цикле продукта и услуги

Управление ИИ

ITIL и другие фреймворки (около 0,5 дня)

ITIL и DevOps

ITIL и PRINCE2

Управление проектами в жизненном цикле продукта и услуги

Работа над проектом, подготовка к сертификации и сертификационный экзамен (около 3 дней)

Введение в управление проектами на основе PRINCE2® (около 1 дня)

Определение и характеристики проекта

Цикл управления проектом и шесть измерений проекта

Проблемы в управлении проектами - почему проекты терпят неудачу?

Преимущества метода управления проектами PRINCE2®

Среда заказчик-поставщик

Проекты в коммерческой среде

Структура метода PRINCE2® и его пять интегрированных строительных блоков

Управленческие продукты PRINCE2®

Цифровые инструменты и анализ с поддержкой искусственного интеллекта в современном управлении проектами

Основные принципы PRINCE2® (около 1 дня)

Семь основных принципов PRINCE2®

Формулировки и содержание основных принципов

Взаимосвязь между основными принципами и темами PRINCE2®

Адаптация PRINCE2® к проектной среде с учетом цифровых методов работы

Важность людей для проектов PRINCE2® (около 1 дня)

Управление изменениями

Лидерство и управление

Коммуникации в проекте

Влияние цифровых систем и систем, поддерживаемых искусственным интеллектом, на процессы сотрудничества и изменений

Семь тем PRINCE2® (около 3 дней)

Бизнес-кейс (подход к управлению выгодами и подход к управлению устойчивостью)

Организация (структура проекта, роли и обязанности)

Создание планов

Планирование и контроль качества

Управление рисками с использованием современных методов анализа и оценок на основе данных

Управление проблемами

Контроль хода выполнения проекта

Семь процессов PRINCE2® (около 2 дней)

Взаимодействие семи процессов PRINCE2® в процессе реализации проекта

Виды деятельности в соответствующих процессах PRINCE2®

Подготовка, руководство и инициирование проекта

Управление этапом

Управление поставкой продукта

Управление переходами между фазами

Закрытие проекта

Работа над проектом, подготовка к сертификации и сертификационный экзамен (около 2 дней)