Основы работы с большими данными (Data Science)
Подробнее
Что вы получите
- определять источники сбора информации и формировать требования к ним;
- применять стандартный CRISP-DM процесс для Вашей организации;
- подбирать команду для работы с большими данными (Big Data);
- выбирать инструментарий для практической работы;
- применять специализированные инструмент «Пакет анализа данных»;
- применять «дерево решений»;
- определять подходящие инструменты и методы для решения основных классов задач машинного обучения и взаимодействовать с разработчиками;
- использовать методы классификации данных для машинного обучения;
- подбирать выборки разработки, тестовую и обучающую для достижения наилучших результатов анализа информации;
- работать с nocode инструментом (на примере одного инструмента);
- вырабатывать требования, подбирать и использовать ИИ помощников (ассистентов).
Программа курса
Цели курса Определение основных понятий История науки о данных Выгоды от работы с большими данными Типовые задачи: прогноз продаж, производства, спроса. Анализ поведения. Распознавание образов. Экспертные системы.
С чего начать. Межотраслевая стандартная методика работы с данными CRISP-DM. Описательное и ассоциативное исследование исходных данных. Сегментирование и очистка данных (slice and dice). «Озера данных» (Data lakes). Отличия озер данных от структурированных хранилищ. Обзор инструментария. Практическая работа. Сегментировать и очистить тестовый набор данных.
Виды распределений. Постановка задачи оценки взаимосвязи между различными факторами и построение прогноза. Корреляция. Коэффициент Пирсона. Критерий Стьюдента (T-анализ). Основы машинного обучения. Регрессионный анализ. Практическая работа. Определить наличие корреляции и регрессионную зависимость между двумя выборками данных. Практическая работа. Определить статистические характеристики выборки данных. Обзор прикладных средств работы с данными.
Задача сегментации дискретных данных на примере задач распознавания (графика, речь, текст). Нейронные сети как инструмент решения задач классификации. Разбиение на выборки (обучающую, тестовую, проверочную). Анализ ошибок обучения. Базис и отклонения. Ручная корректировка. Демонстрация источников библиотек и no-code. Опциональная практика. Работа с nocode приложением.
Понятие Deep Machine Learning. Генеративные (GPT) сети. Конкурентное обучение. Понятия больших, малых и микро-моделей (LLM, SLM, MLM). ИИ помощники – общего назначения и специализированные. ИИ помощники (ассистенты) и ИИ агенты. Фокусированный промптинг. Диалог с ИИ помощником (ассистентом). Практическая работа. Взаимодействие с ИИ помощником.
Задачи классификации данных в социальных сетях и поиска оптимального решения (маршрута). Графы как инструмент решения задач на социальных, логистических, телекоммуникационных графах и прогнозирования поведения. Дерево решений. Практическая работа: провести классификацию набора данных и его разбиение на сегменты.
Понятия естественного языка и нечетких логик. Многофакторный бизнес-анализ на примере нечетких логик.
Роли специалистов по DS: аналитик данных, ученый по данным, программист, цифровой директор. Требования к компетенциям. Состав и требования к проектной команде для DS.
01Модуль 1. Область применения больших данных. Типовые задачи (1 ак. ч.)
Цели курса Определение основных понятий История науки о данных Выгоды от работы с большими данными Типовые задачи: прогноз продаж, производства, спроса. Анализ поведения. Распознавание образов. Экспертные системы.
02Модуль 2. Сбор и подготовка исходных данных. Методика CRISP-DM (2 ак. ч.)
С чего начать. Межотраслевая стандартная методика работы с данными CRISP-DM. Описательное и ассоциативное исследование исходных данных. Сегментирование и очистка данных (slice and dice). «Озера данных» (Data lakes). Отличия озер данных от структурированных хранилищ. Обзор инструментария. Практическая работа. Сегментировать и очистить тестовый набор данных.
03Модуль 3. Задачи численного прогнозирования. Понятие машинного обучения. Корреляция. Регрессионный анализ. (2 ак. ч.)
Виды распределений. Постановка задачи оценки взаимосвязи между различными факторами и построение прогноза. Корреляция. Коэффициент Пирсона. Критерий Стьюдента (T-анализ). Основы машинного обучения. Регрессионный анализ. Практическая работа. Определить наличие корреляции и регрессионную зависимость между двумя выборками данных. Практическая работа. Определить статистические характеристики выборки данных. Обзор прикладных средств работы с данными.
04Модуль 4. Задачи классификации и распознавания образов, видео, речи, текста. Понятие нейронных сетей. Примеры применения (3 ак. ч.)
Задача сегментации дискретных данных на примере задач распознавания (графика, речь, текст). Нейронные сети как инструмент решения задач классификации. Разбиение на выборки (обучающую, тестовую, проверочную). Анализ ошибок обучения. Базис и отклонения. Ручная корректировка. Демонстрация источников библиотек и no-code. Опциональная практика. Работа с nocode приложением.
05Модуль 5. GPT нейросети. глубокое машинное обучение, искусственный интеллект. Помощники и агенты (3 ак. ч.)
Понятие Deep Machine Learning. Генеративные (GPT) сети. Конкурентное обучение. Понятия больших, малых и микро-моделей (LLM, SLM, MLM). ИИ помощники – общего назначения и специализированные. ИИ помощники (ассистенты) и ИИ агенты. Фокусированный промптинг. Диалог с ИИ помощником (ассистентом). Практическая работа. Взаимодействие с ИИ помощником.
06Модуль 6. Задачи построения маршрутов (логистика, соцсети, телеком). Задача прогнозирования поведения пользователя. Понятие графов (3 ак. ч.)
Задачи классификации данных в социальных сетях и поиска оптимального решения (маршрута). Графы как инструмент решения задач на социальных, логистических, телекоммуникационных графах и прогнозирования поведения. Дерево решений. Практическая работа: провести классификацию набора данных и его разбиение на сегменты.
07Модуль 7. Обработка естественного языка. Нечеткие множества (1 ак. ч.)
Понятия естественного языка и нечетких логик. Многофакторный бизнес-анализ на примере нечетких логик.
08Модуль 8. Профориентация по специальностям и в Data Science (1 ак. ч.)
Роли специалистов по DS: аналитик данных, ученый по данным, программист, цифровой директор. Требования к компетенциям. Состав и требования к проектной команде для DS.
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Основы работы с большими данными (Data Science)» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Информация обновлена 28 июля 2026 г.

Специалист 
















