Курсы
Профиль
Курсы
Профиль

дата сайенс

Онлайн / Дату старта объявим позже
Учимся решать задачи бизнеса на стыке программирования, машинного обучения и математики. Изучаем теорию и практический опыт работы с реальными данными маркетплейса
data-analysis
// 01Научитесь решать нестандарт­ные задачи
// 02Создавать ML‑сервисы
// 03Формулиро­вать гипотезы и делать выводы
// 04Работать с языками и фрейм­ворками

Помогаем выпускникам найти работу

mock
Помогаем выпускникам устроиться — в Wildberries и другие компании
Студенты попадают в кадровый резерв или проходят стажировку в компании. Это возможность стать частью экосистемы, которая создаёт сервисы для миллионов людей — от онлайн-торговли до логистики и доставки.
Сообщество Техношколы — ваш социальный лифт в IT. Сегодня вы обсуждаете задания, завтра делаете совместный проект.Опыт и поддержка единомышленников помогут быстрее освоить профессию и начать карьеру.
>600
студентов стали частью компании

СЕМЬ БЛОКОВ ТЕОРИИ И ДИПЛОМНЫЙ ПРОЕКТ В КОНЦЕ

После завершения курса вы получите официальный документ и подтверждение практических навыков
<< 1 Уровень >>
EDA: разведочный анализ
Теория
Введение в EDA
EDA и бизнес‑метрики
Сегментация
Воронки
Гипотезы
<< 2 Уровень >>
Математика для Data Science
Теория
Линейная алгебра: векторы и действия с ними
Линейная алгебра: матрицы и действия с ними
Математический анализ: функция, предел в точке и на бесконечности, производная и экстремум
Математический анализ: интегрирование
Математический анализ: функции нескольких переменных, экстремумы, градиентный спуск
Теория вероятностей: вероятность, случайная величина, закон распределения
Теория вероятностей: характеристики случайных величин, основные распределения и их физический смысл
<< 3 Уровень >>
SQL и базы данных
Теория
Основные операторы
Агрегатные функции и группировка
JOIN
Оконные функции
План запроса
Проектирование баз данных
DDL, DML, DCL и TCL в SQL
Нормальные формы
Оптимизация запросов
Временные таблицы
План запроса: продолжение
Индексы
Процедуры и переменные
Транзакции
Практикум
<< 4 Уровень >>
Статистические методы для Data Science
Теория
Генеральная совокупность и выборка.
Выбросы и стандартизация
Доверительные интервалы
Объем выборки и точность оценивания
Проверка гипотез: теория
Проверка параметрических гипотез: практика
Проверка гипотез в A/B тестах
Дисперсионный анализ
Виды зависимостей
Исследование зависимости двух номинальных признаков
Исследование зависимости двух порядковых, двух количественных признаков
<< 5 Уровень >>
Машинное обучение
Введение в машинное обучение. Основные термины, постановки задач и примеры применения
Линейная регрессия. Функционал ошибки. Метрики качества. Переобучение. Градиентный спуск.
Модификации градиентного спуска, регуляризация.
Линейные методы классификации. Логистическая регрессия. Метрики качества.
SVM, многоклассовая классификация.
Нелинейные методы классификации.
Решающие деревья.
Ансамблевые методы. Случайный лес, бэггинг. Разложение ошибки на bias, variance.
Градиентный бустинг. XGBoost, CatBoost, LIghtGBM
Обучение без учителя. Кластеризация и визуализация данных. Метрики качества.
Кластеризация: продолжение
Понижение размерности. PCA. Детектирование аномалий.
Рекомендательные системы 1
Рекомендательные системы 2
<< 6 Уровень >>
Глубинное обучение
От линейных моделей к глубоким сетям: эволюция архитектур
Механика обучения нейросетей: прямой/обратный проход и оптимизация
Свёрточные нейронные сети
Регуляризация и стабилизация обучения
Современные архитектуры для компьютерного зрения
Обработка текстов: от word2vec до BERT
Модели для последовательностей: RNN, LSTM, Attention
Трансформеры: архитектура и применение в NLP
Трансформеры за пределами NLP: изображения
Генеративные модели: GAN, диффузия, авторегрессивные подходы
<< 7 Уровень >>
Хранение и обработка больших данных
Введение в Apache Spark
DataFrame API: основы работы с PySpark
RDD: мощный инструмент для распределённых вычислений
Оптимизация кластеров: партиционирование и broadcast переменные
Hadoop экосистема: интеграция Spark с HDFS и Parquet
Spark SQL и Hive: тонкости оптимизации
Iceberg: революция в управлении данными
MLlib и GraphX: машинное обучение в Spark

Подайте заявку, пройдите тест и начните курс

1
Дождитесь начала набора и подайте заявку. С вами свяжется HR‑менеджер.
2
Пройдите тест на знание Python, математики, ML и DL‑алгоритмов.
3
Созвонитесь с HR, чтобы узнать о компании и дальнейших шагах.
4
Начните обучение, если прошли отбор и готовы приступить.

Ответы на вопросы об обучении

вопросы
Сколько времени нужно уделять обучению?
[+]
Как проходит обучение?
[+]
Сколько длится курс?
[+]
Можно совмещать с учебой или работой?
[+]
Как проходит обучение в WB Техношколе?
[+]
Сколько длится курс?
[+]
Сколько времени нужно уделять обучению?
[+]
Полная удалёнка или нужно приходить в офис?
[+]
Школа даст оборудование для обучения?
[+]
Проходил обучение в WB Техношколе, но не закончил, могу ли пройти повторно?
[+]
Кому задавать вопросы по заданиям?
[+]
За что могут отчислить из WB Техношколы?
[+]
Бесплатно
дата сайенс
Онлайн / Дату старта объявим позже
Учимся решать задачи бизнеса на стыке программирования, машинного обучения и математики. Изучаем теорию и практический опыт работы с реальными данными маркетплейса
Наборзакрыт