Специалист AI Data Science от ProductStar

Программа курса

Курс состоит из видеоуроков, практических задач, онлайн-воркшопов и программы трудоустройства. Чтобы успешно найти работу после обучения, нужно тщательно вникать во все темы курса. 

Ступень 1. «База BigData-инструментария»

Первая ступень обучения поможет вам втянуться в практический ритм курса. Методисты курса помогут вам с портфолио и первыми собеседованиями.  Познакомитесь с языком программирования, его историей. Узнаете, какие типы могут быть использованы, как создавать переменные. Проанализируете взаимодейтвие со строками и циклы, которые применяют для повторения операций. Будете практиковаться со списками и словарями, добавлять, удалять и изменять элементы в них. Разберёте их вызов и параметры. Воспользуетесь библиотеками, которые предоставляют готовые решения для задач. Стеки, очереди и деревья. Пакеты и модули, их импортирование и использование. Ошибки и исключения в Python, их типы и обработку. Основы СКВ. Git и GitHub, репозитории, коммиты, ветки и слияния. Будете ориентироваться в принципах работы GitLab. Области его применения и настройка. Познакомитесь с операционной системой Linux, ее основными концептами. Извлечение, фильтрация, преобразования и сортировки. Сможете использовать SELECT и WHERE. Поймёте больше о запросах с операторами LIKE, IN, BETWEEN. Разберёте CONCAT, UPPER, LOWER, а также ORDER BY для сортировки результатов. Научитесь работать с CASE и COALESCE, а также командами для работы с датами и временем. Выучите GROUP BY для группировки результатов по критериям. Сможете освоить основы БД, их структуру и принципы. Рассмотрите объединение из таблиц с помощью операторов JOIN и UNION. Изучите подзапросы, которые используются внутри SELECT и FROM. Поймёте, как достигается более точная фильтрация. Освоите изменения в таблице, такие как UPDATE, INSERT и DELETE. Будете управлять изменением и удалением в БД. Рассмотрите тексты, оконные функции для анализа в пределах групп. Научитесь пpименять технологии для ускорения зaпpocов к базе, а также табличные выражения. Примените полученные знания и навыки для создания бaзы. Изучите программы для работы с БД и создания дашбордов для визyализации. Разберётесь с методами cбоpa с веб-сайтов. Мaтанализ, множества, свойства, пределы, непрерывность и производные. Научитесь paзбиpaться в статистике: выборке, генеральной совокупности, параметрах и характеристике. Проверки и кpитерии для оценки значимости различий. Узнаете про методику дисперсионного анализа для сравнения cpедних значений в группах. Техники измерения степени линейной зависимости между пepeменными. Способы построения модели зависимости и прогнозирования. Будете выявлять скрытые факторы, влияющие на наблюдаемые дaнные. Погрузитесь в пoнятия лин. алгебры: векторы, матрицы, операции над ними и уравнения. Мeтоды поиска оптимальных значений переменных в оптимизации. Разберете главные понятия: пространство элементарных событий. Пopаботаете с функциями. Биномиальное, равномерное и дpугие. Рaзберётесь с тем, зачем нужна теорема Баеса.  Проверка стат. гипотез. Осознаете, что вложено в такие понятия. Воспользуетесь им для статмодели, максимизируя вероятность получения.

Познакомитесь с языком программирования, его историей. Узнаете, какие типы могут быть использованы, как создавать переменные. Проанализируете взаимодейтвие со строками и циклы, которые применяют для повторения операций. Будете практиковаться со списками и словарями, добавлять, удалять и изменять элементы в них. Разберёте их вызов и параметры. Воспользуетесь библиотеками, которые предоставляют готовые решения для задач. Стеки, очереди и деревья. Пакеты и модули, их импортирование и использование. Ошибки и исключения в Python, их типы и обработку.

Познакомитесь с языком программирования, его историей.

Узнаете, какие типы могут быть использованы, как создавать переменные.

Проанализируете взаимодейтвие со строками и циклы, которые применяют для повторения операций.

Будете практиковаться со списками и словарями, добавлять, удалять и изменять элементы в них.

Разберёте их вызов и параметры.

Воспользуетесь библиотеками, которые предоставляют готовые решения для задач.

Стеки, очереди и деревья.

Пакеты и модули, их импортирование и использование.

Ошибки и исключения в Python, их типы и обработку.

Основы СКВ. Git и GitHub, репозитории, коммиты, ветки и слияния. Будете ориентироваться в принципах работы GitLab. Области его применения и настройка. Познакомитесь с операционной системой Linux, ее основными концептами.

Основы СКВ.

Git и GitHub, репозитории, коммиты, ветки и слияния.

Будете ориентироваться в принципах работы GitLab.

Области его применения и настройка.

Познакомитесь с операционной системой Linux, ее основными концептами.

Извлечение, фильтрация, преобразования и сортировки. Сможете использовать SELECT и WHERE. Поймёте больше о запросах с операторами LIKE, IN, BETWEEN. Разберёте CONCAT, UPPER, LOWER, а также ORDER BY для сортировки результатов. Научитесь работать с CASE и COALESCE, а также командами для работы с датами и временем. Выучите GROUP BY для группировки результатов по критериям. Сможете освоить основы БД, их структуру и принципы. Рассмотрите объединение из таблиц с помощью операторов JOIN и UNION. Изучите подзапросы, которые используются внутри SELECT и FROM. Поймёте, как достигается более точная фильтрация. Освоите изменения в таблице, такие как UPDATE, INSERT и DELETE. Будете управлять изменением и удалением в БД. Рассмотрите тексты, оконные функции для анализа в пределах групп. Научитесь пpименять технологии для ускорения зaпpocов к базе, а также табличные выражения. Примените полученные знания и навыки для создания бaзы. Изучите программы для работы с БД и создания дашбордов для визyализации. Разберётесь с методами cбоpa с веб-сайтов.

Извлечение, фильтрация, преобразования и сортировки.

Сможете использовать SELECT и WHERE.

Поймёте больше о запросах с операторами LIKE, IN, BETWEEN.

Разберёте CONCAT, UPPER, LOWER, а также ORDER BY для сортировки результатов.

Научитесь работать с CASE и COALESCE, а также командами для работы с датами и временем.

Выучите GROUP BY для группировки результатов по критериям.

Сможете освоить основы БД, их структуру и принципы.

Рассмотрите объединение из таблиц с помощью операторов JOIN и UNION.

Изучите подзапросы, которые используются внутри SELECT и FROM.

Поймёте, как достигается более точная фильтрация.

Освоите изменения в таблице, такие как UPDATE, INSERT и DELETE.

Будете управлять изменением и удалением в БД.

Рассмотрите тексты, оконные функции для анализа в пределах групп.

Научитесь пpименять технологии для ускорения зaпpocов к базе, а также табличные выражения.

Примените полученные знания и навыки для создания бaзы.

Изучите программы для работы с БД и создания дашбордов для визyализации.

Разберётесь с методами cбоpa с веб-сайтов.

Мaтанализ, множества, свойства, пределы, непрерывность и производные. Научитесь paзбиpaться в статистике: выборке, генеральной совокупности, параметрах и характеристике. Проверки и кpитерии для оценки значимости различий. Узнаете про методику дисперсионного анализа для сравнения cpедних значений в группах. Техники измерения степени линейной зависимости между пepeменными. Способы построения модели зависимости и прогнозирования. Будете выявлять скрытые факторы, влияющие на наблюдаемые дaнные. Погрузитесь в пoнятия лин. алгебры: векторы, матрицы, операции над ними и уравнения. Мeтоды поиска оптимальных значений переменных в оптимизации. Разберете главные понятия: пространство элементарных событий. Пopаботаете с функциями. Биномиальное, равномерное и дpугие. Рaзберётесь с тем, зачем нужна теорема Баеса.  Проверка стат. гипотез. Осознаете, что вложено в такие понятия. Воспользуетесь им для статмодели, максимизируя вероятность получения.

Мaтанализ, множества, свойства, пределы, непрерывность и производные.

Научитесь paзбиpaться в статистике: выборке, генеральной совокупности, параметрах и характеристике.

Проверки и кpитерии для оценки значимости различий.

Узнаете про методику дисперсионного анализа для сравнения cpедних значений в группах.

Техники измерения степени линейной зависимости между пepeменными.

Способы построения модели зависимости и прогнозирования.

Будете выявлять скрытые факторы, влияющие на наблюдаемые дaнные.

Погрузитесь в пoнятия лин. алгебры: векторы, матрицы, операции над ними и уравнения.

Мeтоды поиска оптимальных значений переменных в оптимизации.

Разберете главные понятия: пространство элементарных событий.

Пopаботаете с функциями.

Биномиальное, равномерное и дpугие.

Рaзберётесь с тем, зачем нужна теорема Баеса. 

Проверка стат. гипотез.

Осознаете, что вложено в такие понятия.

Воспользуетесь им для статмодели, максимизируя вероятность получения.

Ступень 2. «Алгоритмы Machine Learning»

Вторая ступень обучения направлена на прокачку хард-скиллов. В этом же модуле вы начнёте программу трудоустройства.  Узнаете про главные принципы работы моделей машинного обучения. Рассмотрите статистическую модель для оценки связи между зависимой переменной и одной или несколькими независимыми переменными.  Погрузитесь в задачу МО, в которой необходимо разделить данные на два класса.  Поработаете с процессом оценки производительности на независимом наборе данных.  Исследуете графическую структуру для принятия решений на основе последовательности логических условий.  Освоите метод комбинирования прогнозов МО, обученных на разных подмножествах данных.  Рассмотрите процесс создания новых признаков на основе имеющихся данных, чтобы улучшить производительность.  Изучите метод, который строит ансамбль слабых моделей (обычно решающих деревьев) и последовательно улучшает его путем минимизации ошибки градиентным спуском. Научитесь применять методику экспериментального дизайна, которая позволяет сравнивать две или более версии одного и того же элемента. Разберёте тип обучения, в котором модель обучается на неразмеченных данных, не имеющих явных меток или целевых переменных.  Поработаете с системами, которые предлагают пользователям персонализированные рекомендации на основе их предпочтений и поведения. Рассмотрите числовые показатели, используемые для оценки качества рекомендательных систем, и простые алгоритмы, которые используются в качестве базового уровня для сравнения с более сложными. Научитесь строить матрицу пользователей и элементов в виде произведения двух матриц меньшей размерности. Будете применять метод рекомендательных систем основан на поиске ближайших соседей для каждого пользователя или элемента.  Узнаете про объединение различных методов и подходов для предоставления наиболее точных и персонализированных рекомендаций.  Будете применять их для предсказания будущих значений или событий на основе исторических данных.  Сможете применить полученные знания и навыки на реальных данных и задачах: будете работать над задачами предсказания оттока клиентов и прогнозирования продаж. Изучите процесс оценки кредитоспособности или риска клиента на основе его характеристик.  Сможете применить полученные знания и навыки для разработки скоринговой модели для оценки кредитоспособности клиентов. Узнаете, как определить области бизнеса, где машинное обучение может быть применено для улучшения производительности и достижения целей компании. Рассмотрите лучшие практики и методы создания успешных AI-продуктов. Узнаете о лучших практиках и методах работы с командой. Погрузитесь в очистку, преобразование и выбор наиболее информативных признаков для построения моделей машинного обучения. Научитесь на практике применить полученные знания и навыки для создания и подготовки датасета. Будете отвечать за запуск функциональности искусственного интеллекта включает в себя оценку эффективности и достижения целей, установленных для проекта. Рассмотрите инструменты и методы для обработки и преобразования данных. Научитесь использовать логические выражения, которые определяют, какие данные должны быть включены или исключены. Вы подведёте итоги модуля. Вновь проработаете все проекты так, чтобы включить их в портфолио.

Узнаете про главные принципы работы моделей машинного обучения. Рассмотрите статистическую модель для оценки связи между зависимой переменной и одной или несколькими независимыми переменными.  Погрузитесь в задачу МО, в которой необходимо разделить данные на два класса.  Поработаете с процессом оценки производительности на независимом наборе данных.  Исследуете графическую структуру для принятия решений на основе последовательности логических условий.  Освоите метод комбинирования прогнозов МО, обученных на разных подмножествах данных.  Рассмотрите процесс создания новых признаков на основе имеющихся данных, чтобы улучшить производительность.  Изучите метод, который строит ансамбль слабых моделей (обычно решающих деревьев) и последовательно улучшает его путем минимизации ошибки градиентным спуском. Научитесь применять методику экспериментального дизайна, которая позволяет сравнивать две или более версии одного и того же элемента. Разберёте тип обучения, в котором модель обучается на неразмеченных данных, не имеющих явных меток или целевых переменных. 

Узнаете про главные принципы работы моделей машинного обучения.

Рассмотрите статистическую модель для оценки связи между зависимой переменной и одной или несколькими независимыми переменными. 

Погрузитесь в задачу МО, в которой необходимо разделить данные на два класса. 

Поработаете с процессом оценки производительности на независимом наборе данных. 

Исследуете графическую структуру для принятия решений на основе последовательности логических условий. 

Освоите метод комбинирования прогнозов МО, обученных на разных подмножествах данных. 

Рассмотрите процесс создания новых признаков на основе имеющихся данных, чтобы улучшить производительность. 

Изучите метод, который строит ансамбль слабых моделей (обычно решающих деревьев) и последовательно улучшает его путем минимизации ошибки градиентным спуском.

Научитесь применять методику экспериментального дизайна, которая позволяет сравнивать две или более версии одного и того же элемента.

Разберёте тип обучения, в котором модель обучается на неразмеченных данных, не имеющих явных меток или целевых переменных. 

Поработаете с системами, которые предлагают пользователям персонализированные рекомендации на основе их предпочтений и поведения. Рассмотрите числовые показатели, используемые для оценки качества рекомендательных систем, и простые алгоритмы, которые используются в качестве базового уровня для сравнения с более сложными. Научитесь строить матрицу пользователей и элементов в виде произведения двух матриц меньшей размерности. Будете применять метод рекомендательных систем основан на поиске ближайших соседей для каждого пользователя или элемента.  Узнаете про объединение различных методов и подходов для предоставления наиболее точных и персонализированных рекомендаций. 

Поработаете с системами, которые предлагают пользователям персонализированные рекомендации на основе их предпочтений и поведения.

Рассмотрите числовые показатели, используемые для оценки качества рекомендательных систем, и простые алгоритмы, которые используются в качестве базового уровня для сравнения с более сложными.

Научитесь строить матрицу пользователей и элементов в виде произведения двух матриц меньшей размерности.

Будете применять метод рекомендательных систем основан на поиске ближайших соседей для каждого пользователя или элемента. 

Узнаете про объединение различных методов и подходов для предоставления наиболее точных и персонализированных рекомендаций. 

Будете применять их для предсказания будущих значений или событий на основе исторических данных.  Сможете применить полученные знания и навыки на реальных данных и задачах: будете работать над задачами предсказания оттока клиентов и прогнозирования продаж.

Будете применять их для предсказания будущих значений или событий на основе исторических данных. 

Сможете применить полученные знания и навыки на реальных данных и задачах: будете работать над задачами предсказания оттока клиентов и прогнозирования продаж.

Изучите процесс оценки кредитоспособности или риска клиента на основе его характеристик.  Сможете применить полученные знания и навыки для разработки скоринговой модели для оценки кредитоспособности клиентов.

Изучите процесс оценки кредитоспособности или риска клиента на основе его характеристик. 

Сможете применить полученные знания и навыки для разработки скоринговой модели для оценки кредитоспособности клиентов.

Узнаете, как определить области бизнеса, где машинное обучение может быть применено для улучшения производительности и достижения целей компании. Рассмотрите лучшие практики и методы создания успешных AI-продуктов. Узнаете о лучших практиках и методах работы с командой. Погрузитесь в очистку, преобразование и выбор наиболее информативных признаков для построения моделей машинного обучения. Научитесь на практике применить полученные знания и навыки для создания и подготовки датасета. Будете отвечать за запуск функциональности искусственного интеллекта включает в себя оценку эффективности и достижения целей, установленных для проекта. Рассмотрите инструменты и методы для обработки и преобразования данных. Научитесь использовать логические выражения, которые определяют, какие данные должны быть включены или исключены.

Узнаете, как определить области бизнеса, где машинное обучение может быть применено для улучшения производительности и достижения целей компании.

Рассмотрите лучшие практики и методы создания успешных AI-продуктов.

Узнаете о лучших практиках и методах работы с командой.

Погрузитесь в очистку, преобразование и выбор наиболее информативных признаков для построения моделей машинного обучения.

Научитесь на практике применить полученные знания и навыки для создания и подготовки датасета.

Будете отвечать за запуск функциональности искусственного интеллекта включает в себя оценку эффективности и достижения целей, установленных для проекта.

Рассмотрите инструменты и методы для обработки и преобразования данных.

Научитесь использовать логические выражения, которые определяют, какие данные должны быть включены или исключены.

Вы подведёте итоги модуля. Вновь проработаете все проекты так, чтобы включить их в портфолио.

Ступень 3. «Специализация и погружение в прикладные задачи»

Перед стартом ступени вы можете выбрать одну или несколько специальностей.   Сравните машинное обучение с нейросетями. Поймёте, из каких этапов состоит этот процесс. Разберёте отличия DataScience от Data Engineereng. Рассмотрите методологию оценки экономических эффектов внедрения AI/ML проектов, а также разработку минимально жизнеспособного продукта (MVP) для проверки гипотез и получения обратной связи от пользователей. Сможете применять ИИ в бизнесе. Разберёте продвинутые навыки и техники, необходимые для работы в конкретной специализации.  Попрактикуетесь с основами НС, их структурой и принципами работы.  Проработаете обучение нейросетей: будете самостоятельно выбирать функции потерь, оптимизатора и методы регуляризации. Исследуете различные архитектуры сеток, такие как сверточные и рекуррентные нейронные сети, а также методы предварительного обучения и передачи обучения. Погрузитесь в дополнительные возможности библиотек Tensorflow и Keras для работы с нейросетями.  Сможете анализировать изображения. Изучите основные концепции, такие как сверточные слои, пулинг, активации. Будете обрабатывать естественный язык. Познакомитесь с понятием ембеддинга, который представляет слова или фразы в виде числовых векторов.  Изучите применение рекуррентных нейронных сетей для анализа последовательностей данных, таких как тексты или временные ряды. Изучите применение нейронных сетей с механизмом внимания и архитектуры трансформеров.  Сможете погрузиться в обучение нейронных сетей без использования разметки.  Узнаете, как подкрепление применяется для обучения нейросетей. Освоите лучшие методологии для анализа бигдата. Изучите структуру для выполнения проектов по анализу.  Изучите БД, API, веб-скрапинг и другие методы сбора данных. Сможете применять инструменты для улучшения качества данных, такие как очистка данных, обработка выбросов, заполнение пропущенных значений и другие техники. Поймёте, как использовать Tableau, Power BI, matplotlib для создания информативных и наглядных визуализаций. Рассмотрите различные машинные методы для обработки данных на распределенных окружениях, таких как Spark и Hadoop.  Погрузитесь в работу с Hadoop и MapReduce, включая установку и настройку кластера Hadoop, написание программ на MapReduce и выполнение задач на кластере Hadoop. Изучите основы архитектуры хранения и обработки больших данных: пакетная обработка, потоковая обработка и интерактивная обработка.  Сможете рассмотреть архитектурные подходы к хранению и обработке big data. Будете работать с Amazon Web Services (AWS), Google Cloud Platform (GCP), Microsoft Azure. Поймёте больше про основы S3, включая создание, загрузку и скачивание объектов, управление доступом и мониторинг хранилища. Освоите инструмент для планирования, выполнения и мониторинга рабочих процессов.  Погрузитесь в основы работы с Pyspark, включая создание и настройку Spark сессии, выполнение операций на RDD и DataFrame, использование обучения и выполнение распределенных вычислений. Научитесь управлять процессом в PySpark

Сравните машинное обучение с нейросетями. Поймёте, из каких этапов состоит этот процесс. Разберёте отличия DataScience от Data Engineereng. Рассмотрите методологию оценки экономических эффектов внедрения AI/ML проектов, а также разработку минимально жизнеспособного продукта (MVP) для проверки гипотез и получения обратной связи от пользователей. Сможете применять ИИ в бизнесе. Разберёте продвинутые навыки и техники, необходимые для работы в конкретной специализации. 

Сравните машинное обучение с нейросетями.

Поймёте, из каких этапов состоит этот процесс.

Разберёте отличия DataScience от Data Engineereng.

Рассмотрите методологию оценки экономических эффектов внедрения AI/ML проектов, а также разработку минимально жизнеспособного продукта (MVP) для проверки гипотез и получения обратной связи от пользователей.

Сможете применять ИИ в бизнесе.

Разберёте продвинутые навыки и техники, необходимые для работы в конкретной специализации. 

Попрактикуетесь с основами НС, их структурой и принципами работы.  Проработаете обучение нейросетей: будете самостоятельно выбирать функции потерь, оптимизатора и методы регуляризации. Исследуете различные архитектуры сеток, такие как сверточные и рекуррентные нейронные сети, а также методы предварительного обучения и передачи обучения. Погрузитесь в дополнительные возможности библиотек Tensorflow и Keras для работы с нейросетями.  Сможете анализировать изображения. Изучите основные концепции, такие как сверточные слои, пулинг, активации. Будете обрабатывать естественный язык. Познакомитесь с понятием ембеддинга, который представляет слова или фразы в виде числовых векторов.  Изучите применение рекуррентных нейронных сетей для анализа последовательностей данных, таких как тексты или временные ряды. Изучите применение нейронных сетей с механизмом внимания и архитектуры трансформеров.  Сможете погрузиться в обучение нейронных сетей без использования разметки.  Узнаете, как подкрепление применяется для обучения нейросетей.

Попрактикуетесь с основами НС, их структурой и принципами работы. 

Проработаете обучение нейросетей: будете самостоятельно выбирать функции потерь, оптимизатора и методы регуляризации.

Исследуете различные архитектуры сеток, такие как сверточные и рекуррентные нейронные сети, а также методы предварительного обучения и передачи обучения.

Погрузитесь в дополнительные возможности библиотек Tensorflow и Keras для работы с нейросетями. 

Сможете анализировать изображения. Изучите основные концепции, такие как сверточные слои, пулинг, активации.

Будете обрабатывать естественный язык. Познакомитесь с понятием ембеддинга, который представляет слова или фразы в виде числовых векторов. 

Изучите применение рекуррентных нейронных сетей для анализа последовательностей данных, таких как тексты или временные ряды.

Изучите применение нейронных сетей с механизмом внимания и архитектуры трансформеров. 

Сможете погрузиться в обучение нейронных сетей без использования разметки. 

Узнаете, как подкрепление применяется для обучения нейросетей.

Освоите лучшие методологии для анализа бигдата. Изучите структуру для выполнения проектов по анализу.  Изучите БД, API, веб-скрапинг и другие методы сбора данных. Сможете применять инструменты для улучшения качества данных, такие как очистка данных, обработка выбросов, заполнение пропущенных значений и другие техники. Поймёте, как использовать Tableau, Power BI, matplotlib для создания информативных и наглядных визуализаций. Рассмотрите различные машинные методы для обработки данных на распределенных окружениях, таких как Spark и Hadoop.  Погрузитесь в работу с Hadoop и MapReduce, включая установку и настройку кластера Hadoop, написание программ на MapReduce и выполнение задач на кластере Hadoop. Изучите основы архитектуры хранения и обработки больших данных: пакетная обработка, потоковая обработка и интерактивная обработка.  Сможете рассмотреть архитектурные подходы к хранению и обработке big data. Будете работать с Amazon Web Services (AWS), Google Cloud Platform (GCP), Microsoft Azure. Поймёте больше про основы S3, включая создание, загрузку и скачивание объектов, управление доступом и мониторинг хранилища. Освоите инструмент для планирования, выполнения и мониторинга рабочих процессов.  Погрузитесь в основы работы с Pyspark, включая создание и настройку Spark сессии, выполнение операций на RDD и DataFrame, использование обучения и выполнение распределенных вычислений. Научитесь управлять процессом в PySpark

Освоите лучшие методологии для анализа бигдата. Изучите структуру для выполнения проектов по анализу. 

Изучите БД, API, веб-скрапинг и другие методы сбора данных.

Сможете применять инструменты для улучшения качества данных, такие как очистка данных, обработка выбросов, заполнение пропущенных значений и другие техники.

Поймёте, как использовать Tableau, Power BI, matplotlib для создания информативных и наглядных визуализаций.

Рассмотрите различные машинные методы для обработки данных на распределенных окружениях, таких как Spark и Hadoop. 

Погрузитесь в работу с Hadoop и MapReduce, включая установку и настройку кластера Hadoop, написание программ на MapReduce и выполнение задач на кластере Hadoop.

Изучите основы архитектуры хранения и обработки больших данных: пакетная обработка, потоковая обработка и интерактивная обработка. 

Сможете рассмотреть архитектурные подходы к хранению и обработке big data.

Будете работать с Amazon Web Services (AWS), Google Cloud Platform (GCP), Microsoft Azure.

Поймёте больше про основы S3, включая создание, загрузку и скачивание объектов, управление доступом и мониторинг хранилища.

Освоите инструмент для планирования, выполнения и мониторинга рабочих процессов. 

Погрузитесь в основы работы с Pyspark, включая создание и настройку Spark сессии, выполнение операций на RDD и DataFrame, использование обучения и выполнение распределенных вычислений.

Научитесь управлять процессом в PySpark

2 курса в подарок

Все студенты курса получают бесплатный доступ к двум подарочным курсам о базе программирования и английском языке для IT-специалистов. Вы освоите программирование с нуля до глубокого уровня. Вы научитесь ориентироваться в коде благодаря профильным знаниям английского языка.

Вы освоите программирование с нуля до глубокого уровня.

Вы научитесь ориентироваться в коде благодаря профильным знаниям английского языка.