Сколько стоит курс «Профессия Data Scientist»?

Стоимость курса составляет 11500.00 рублей

Сколько времени занимает прохождение курса «Профессия Data Scientist»?

Прохождение курса «Профессия Data Scientist» занимает примерно 34 часов.

Какой рейтинг у курса «Профессия Data Scientist»?

Курс имеет рейтинг 4.8 из 5 на основе 0 отзывов. На курсе обучается 0 учеников.

Где можно пройти курс «Профессия Data Scientist»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/282766.

Курс на Stepik

Обложка курса «Профессия Data Scientist» на Stepik

11 500 ₽

Профессия Data Scientist ★ 4.789

Name: Профессия Data Scientist
Price: 11500.00 RUB
Availability: InStock
Rating: 4.788833333333334 (0 reviews)

Открыть на
STEPIK.ORG

Освойте профессию Data Scientist с нуля и выйдите на уровень, достаточный для первых собеседований. Вы научитесь анализировать данные, строить модели Machine Learning, работать с нейросетями и формировать портфолио проектов на основе реальных задач.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	0
Сертификатов выдано	0
Отзывов получено	24
Рейтинг курса	4.789
Курсов в пакете	9	—	—	—	—
Количество уроков	217
Количество квизов	1749
Количество задач с кодом	268
Время прохождения курса	34 ч.	—
Стоимость курса	11 500 ₽	—
Обновления курса	—	—
Дата публикации курса	9 часов назад	—	—	—	—
Последнее обновление	17 апреля 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание пакета (9 курсов)

Курсы в пакете «Профессия Data Scientist»

9 курсов Уроки в курсе «Профессия Data Scientist»

217 уроков Тесты в курсе «Профессия Data Scientist»

1749 тестов Задачи в курсе «Профессия Data Scientist»

268 задач Время прохождения курса «Профессия Data Scientist»

34 ч.

1. Numpy для анализа данных 4.733

110

5 ч.

1. Введение в NumPy

3 урока

Закрытый

1.1 Знакомство с библиотекой NumPy ↗

6м

Закрытый

1.2 Основы работы с массивами ↗

22м

Закрытый

1.3 Типы данных в NumPy ↗

10м

2. Операции с массивами

3 урока

Закрытый

2.1 Арифметика с массивами ↗

29м

Закрытый

2.2 Статистические операции ↗

14м

Закрытый

2.3 Математические функции в NumPy ↗

15м

3. Многомерные массивы

2 урока

Закрытый

3.1 Работа с двумерными массивами ↗

35м

Закрытый

3.2 Создание и манипуляции с многомерными массивами ↗

40м

4. Манипуляции с данными

3 урока

Закрытый

4.1 Изменение формы и размера массивов ↗

16м

Закрытый

4.2 Работа с пустыми и NaN значениями ↗

48м

Закрытый

4.3 Подсчёт уникальных значений и их частот ↗

26м

5. Работа с большими данными и производительность

2 урока

Закрытый

5.1 Производительность NumPy ↗

18м

Закрытый

5.2 Работа с большими массивами ↗

5м

6. Применение NumPy в анализе данных

4 урока

Закрытый

6.1 Загрузка и сохранение данных ↗

6м

Закрытый

6.2 Применение NumPy для анализа временных рядов: часть 1 ↗

32м

Закрытый

6.3 Применение NumPy для анализа временных рядов: часть 2 ↗

8м

Закрытый

6.4 Обратная связь ↗

1м

2. Pandas для анализа данных 5.0

122

5 ч.

1. Чтение данных из файлов

2 урока

Закрытый

1.1 Импорт данных из форматов CSV, Excel, JSON ↗

11м

Закрытый

1.2 Обработка крупных файлов с chunksize ↗

30м

2. Экспресс знакомство с данными

3 урока

Закрытый

2.1 Методы быстрого просмотра: head(), tail(), sample() ↗

2м

Закрытый

2.2 Основные характеристики данных: info(), describe() ↗

19м

-1

Закрытый

2.3 Выявление и обработка пропущенных значений ↗

9м

3. Вывод столбцов и работа с типами данных

2 урока

Закрытый

3.1 Доступ к столбцам и преобразование типов данных ↗

22м

Закрытый

3.2 Преобразование типов данных для оптимизации памяти ↗

9м

4. Фильтрация строк

1 урок

Закрытый

4.1 Условные фильтры и фильтрация по значениям ↗

19м

5. Сортировка строк

1 урок

Закрытый

5.1 Сортировка по значениям и индексам ↗

19м

6. Агрегирующие функции и вычисления

2 урока

Закрытый

6.1 Применение стандартных агрегирующих функций ↗

12м

Закрытый

6.2 Пользовательские функции для агрегации ↗

15м

7. Объединение данных

2 урока

Закрытый

7.1 Методы объединения данных: merge, join, concat ↗

23м

Закрытый

7.2 Конкатенация таблиц ↗

13м

8. Работа с датами и временем

2 урока

Закрытый

8.1 Преобразование строк в формат дат ↗

31м

Закрытый

8.2 Извлечение временных компонентов (год, месяц, день) ↗

4м

9. Преобразование значений и редактирование данных

2 урока

Закрытый

9.1 Замена значений (replace, map, applymap) ↗

19м

Закрытый

9.2 Удаление дубликатов и управление индексами ↗

12м

10. Визуализация данных в Pandas

1 урок

Закрытый

10.1 Базовая визуализация: гистограммы, boxplot, scatter ↗

20м

11. Слайсинг и выборка данных

1 урок

Закрытый

11.1 Индексация и выборка данных с помощью .loc и .iloc ↗

9м

12. Работа с текстовыми данными

1 урок

Закрытый

12.1 Разбор и обработка текстов ↗

18м

13. Pandas и машинное обучение

4 урока

Закрытый

13.1 Масштабирование данных и нормализация ↗

9м

Закрытый

13.2 Преобразование категориальных признаков(One-Hot, Label Encoding) ↗

4м

Закрытый

13.3 Подготовка данных для ML-моделей ↗

2м

Закрытый

13.4 Обратная связь ↗

1м

3. SQL-собеседование: 200 задач уровня Junior 4.0

180

6 ч.

1. Основы SQL и подход к задачам на собеседовании

3 урока

Закрытый

1.1 SELECT, FROM, WHERE ↗

14м

Закрытый

1.2 Условия: AND, OR, IN, BETWEEN, LIKE ↗

18м

Закрытый

1.3 Подход к SQL-задачам на собеседованиях ↗

2м

2. Сортировка и ограничение результатов

3 урока

Закрытый

2.1 ORDER BY ↗

5м

Закрытый

2.2 LIMIT, OFFSET ↗

9м

Закрытый

2.3 Первые/последние N строк по условию ↗

8м

3. Агрегация и группировка

3 урока

Закрытый

3.1 COUNT, SUM, AVG, MIN, MAX ↗

6м

Закрытый

3.2 GROUP BY, HAVING ↗

15м

Закрытый

3.3 Группировка по нескольким полям ↗

18м

4. JOIN: работа с несколькими таблицами

3 урока

Закрытый

4.1 INNER JOIN, LEFT JOIN, RIGHT JOIN ↗

11м

Закрытый

4.2 JOIN на 3+ таблицы ↗

12м

Закрытый

4.3 Обнаружение "висящих" записей (анализ NULL после JOIN) ↗

5. Подзапросы

3 урока

Закрытый

5.1 Подзапросы в SELECT, WHERE, FROM ↗

Закрытый

5.2 IN, EXISTS, NOT EXISTS ↗

Закрытый

5.3 Коррелированные подзапросы ↗

6. Работа с датами и строками

3 урока

Закрытый

6.1 DATE функции: NOW, DATEDIFF, EXTRACT ↗

Закрытый

6.2 Строковые функции: CONCAT, SUBSTRING, LENGTH ↗

Закрытый

6.3 CASE WHEN THEN ↗

7. Изменение данных

2 урока

Закрытый

7.1 INSERT, UPDATE, DELETE ↗

Закрытый

7.2 CREATE, ALTER, DROP ↗

8. Триггеры, индексы и представления

2 урока

Закрытый

8.1 Индексы и EXPLAIN ↗

Закрытый

8.2 VIEW и материализованные представления ↗

9. Частые ловушки

3 урока

Закрытый

9.1 NULL в логике ↗

Закрытый

9.2 Дублирующиеся строки ↗

Закрытый

9.3 SELECT N записей из каждой группы ↗

10. Финальные задания

4 урока

Закрытый

10.1 20 комплексных задач по всем темам ↗

Закрытый

10.2 20 комплексных задач по всем темам ↗

Закрытый

10.3 Чеклист для подготовки к интервью ↗

Закрытый

10.4 Обратная связь ↗

4. Мастерство ML: выбор, тюнинг и оптимизация моделей

284

0 ч.

1. Базовые принципы выбора моделей

3 урока

Закрытый

1.1 Bias-Variance trade-off ↗

Закрытый

1.2 Метрики качества: MAE, RMSE, R², Accuracy, ROC AUC, F1 ↗

Закрытый

1.3 Практика: выбор подходящей модели для реального датасета ↗

2. Линейные модели и их тюнинг

4 урока

Закрытый

2.1 Linear Regression, Logistic Regression - принципы, ограничения ↗

Закрытый

2.2 L1, L2, ElasticNet: зачем регуляризация и как она работает ↗

Закрытый

2.3 Feature scaling, подбор гиперпараметров (alpha, C) ↗

Закрытый

2.4 Практика:настройка регуляризации GridSearchCV и RandomizedSearch ↗

3. Деревья решений и ансамбли

4 урока

Закрытый

3.1 DecisionTreeClassifier/Regressor — как работает дерево ↗

Закрытый

3.2 Проблемы переобучения и глубины дерева ↗

Закрытый

3.3 Как сделать деревья устойчивыми: методы ансамблирования ↗

Закрытый

3.4 Практика: сравнение ансамблей по качеству и интерпретируемости ↗

4. Градиентный бустинг и его настройка

4 урока

Закрытый

4.1 Идея бустинга: как слабые модели становятся сильными ↗

Закрытый

4.2 XGBoost, LightGBM, CatBoost — обзор различий ↗

Закрытый

4.3 Подбор гиперпараметров (learning_rate, n_estimators, depth) ↗

Закрытый

4.4 Практика: тюнинг CatBoost и визуализация важности признаков ↗

5. Оптимизация гиперпараметров

4 урока

Закрытый

5.1 GridSearchCV, RandomizedSearchCV — теория и применение ↗

Закрытый

5.2 Bayesian Optimization (Optuna, Hyperopt) ↗

Закрытый

5.3 Cross-validation и nested CV для честной оценки ↗

Закрытый

5.4 Практика: поиск оптимальной модели под Kaggle-задачу ↗

6. Отбор и инженерия признаков

5 уроков

Закрытый

6.1 Feature importance, permutation importance ↗

Закрытый

6.2 Recursive Feature Elimination (RFE) ↗

Закрытый

6.3 Взаимодействия признаков (interaction features) ↗

Закрытый

6.4 PCA, t-SNE, UMAP для сокращения размерности ↗

Закрытый

6.5 Практика: улучшение модели за счёт правильных признаков ↗

7. Интерпретация моделей

3 урока

Закрытый

7.1 SHAP, LIME, Partial Dependence Plots ↗

Закрытый

7.2 Практика: анализ SHAP-графиков ↗

Закрытый

7.3 Обратная связь ↗

5. Нейросети в PyTorch: быстрый старт с нуля 5.0

143

5 ч.

1. Введение и настройка

2 урока

Закрытый

1.1 Что такое PyTorch и зачем он нужен ↗

8м

Закрытый

1.2 Установка и настройка (локально и в Google Colab) ↗

12м

2. Основы тензоров и автодифференцирование

2 урока

Закрытый

2.1 torch.Tensor: создание, типы, shape, операции ↗

26м

Закрытый

2.2 Автоматическое дифференцирование: requires_grad, backward() и др ↗

45м

3. Линейные модели и градиентный спуск

4 урока

Закрытый

3.1 Ручной градиентный спуск ↗

12м

Закрытый

3.2 Линейная регрессия с PyTorch ↗

27м

Закрытый

3.3 Функции потерь и оптимизаторы (MSELoss, SGD) ↗

7м

Закрытый

3.4 Тренировка и визуализация лосса ↗

10м

4. Нейронные сети

4 урока

Закрытый

4.1 Что такое нейросети ↗

6м

Закрытый

4.2 Многослойный перцептрон (nn.Sequential, nn.Module) ↗

6м

Закрытый

4.3 Активации: ReLU, Sigmoid, Softmax ↗

20м

Закрытый

4.4 Модель классификации + обучение ↗

5. Работа с данными

3 урока

Закрытый

5.1 Dataset и DataLoader ↗

10м

Закрытый

5.2 Работа с CSV и изображениями ↗

Закрытый

5.3 Аугментации и трансформации (torchvision.transforms) ↗

6. Компьютерное зрение

3 урока

Закрытый

6.1 Введение в сверточные сети (CNN) ↗

6м

Закрытый

6.2 Conv2d, MaxPool2d, Flatten ↗

3м

Закрытый

6.3 Классификация на MNIST / CIFAR-10 ↗

2м

7. Оценка и сохранение моделей

3 урока

Закрытый

7.1 model.eval(), torch.no_grad() ↗

2м

Закрытый

7.2 torch.save, torch.load ↗

19м

Закрытый

7.3 Обратная связь ↗

6. Практический Machine Learning

377

7. Разведочный анализ данных

210

1. О курсе и вводная подготовка

1 урок

Закрытый

1.1 Что такое EDA ↗

2. Математическая и техническая база

2 урока

Закрытый

2.1 Тест по математике (минимум необходимый) ↗

Закрытый

2.2 Тест по Python ↗

3. Основы работы с данными

4 урока

Закрытый

3.1 Типы данных, измерения и структура датасета ↗

Закрытый

3.2 Pandas: ключевые операции ↗

Закрытый

3.3 Polars: быстрый анализ больших данных ↗

Закрытый

3.4 Подведение итогов модуля ↗

4. Проверка качества данных

3 урока

Закрытый

4.1 Работа с пропусками — полный набор техник ↗

Закрытый

4.2 Дубликаты, ошибки и “грязные” данные ↗

Закрытый

4.3 Домашнее задание ↗

5. Визуализация данных

5 уроков

Закрытый

5.1 Matplotlib/Seaborn: базовые графики ↗

Закрытый

5.2 Plotly: интерактивные графики ↗

Закрытый

5.3 Pairplot, jointplot, тепловые карты ↗

Закрытый

5.4 Ошибки визуализации ↗

Закрытый

5.5 Домашнее задание ↗

6. Глубокий анализ признаков

5 уроков

Закрытый

6.1 Анализ числовых признаков ↗

Закрытый

6.2 Анализ категориальных признаков ↗

Закрытый

6.3 Взаимосвязь категориальных и числовых признаков ↗

Закрытый

6.4 Выявление выбросов и аномалий ↗

Закрытый

6.5 Домашнее задание ↗

8. Статистика для собеседований 5.0

350

6 ч.

1. Введение в прикладную статистику

5 уроков

Закрытый

1.1 Основные понятия: генеральная совокупность, выборка, параметры ↗

11м

Закрытый

1.2 Виды данных: категориальные, числовые, дискретные ↗

4м

Закрытый

1.3 Мера центральной тенденции: среднее, медиана, мода ↗

10м

Закрытый

1.4 Разброс: дисперсия, стандартное отклонение, IQR ↗

11м

Закрытый

1.5 Практика: Вычислить ключевые статистики вручную ↗

12м

2. Распределения вероятностей

7 уроков

Закрытый

2.1 Что такое распределение и зачем оно нужно ↗

16м

Закрытый

2.2 Нормальное распределение: свойства, Z-оценки ↗

16м

Закрытый

2.3 Биномиальное, Бернулли, Пуассон ↗

32м

Закрытый

2.4 Равномерное, экспоненциальное ↗

Закрытый

2.5 ЦПТ: как объяснить интервьюеру ↗

8м

Закрытый

2.6 Практика: Определить распределение по графику/описанию ↗

1м

Закрытый

2.7 Типичные вопросы с собеседований ↗

3. Оценивание и доверительные интервалы

2 урока

Закрытый

3.1 Доверительный интервал для среднего, для доли ↗

10м

Закрытый

3.2 Понятие Bootstrap в статистике ↗

4. Гипотезы и статистические тесты

9 уроков

Закрытый

4.1 Что такое гипотеза: H0 и H1 ↗

Закрытый

4.2 Ошибки 1 и 2 рода, уровень значимости, power ↗

Закрытый

4.3 p-value: как правильно объяснять ↗

8м

Закрытый

4.4 t-тест: для чего нужен и как применять ↗

17м

Закрытый

4.5 Z-тест, χ²-тест, F-тест ↗

49м

Закрытый

4.6 A/B-тестирование: полный разбор ↗

15м

Закрытый

4.7 Практика: провести A/B-тест в Python ↗

1м

Закрытый

4.8 Типичные вопросы интервью: часть 1 ↗

Закрытый

4.9 Типичные вопросы интервью: часть 2 ↗

5. Корреляция и регрессия

5 уроков

Закрытый

5.1 Корреляция Пирсона, Спирмена, Кендалла ↗

Закрытый

5.2 Ковариация и как её объяснять ↗

Закрытый

5.3 Линейная регрессия: базовые идеи ↗

Закрытый

5.4 Линейная регрессия: мультиколлинеарность, VIF ↗

Закрытый

5.5 Вопросы интервью по корреляции и регрессии ↗

6. Итоговая практика

4 урока

Закрытый

6.1 Мини-собеседование: 30 типичных вопросов (часть 1) ↗

Закрытый

6.2 Мини-собеседование: 30 типичных вопросов (часть 2) ↗

Закрытый

6.3 Практическое задание: провести A/B тест ↗

Закрытый

6.4 Обратная связь ↗

9. Теория вероятностей для собеседований 5.0

170

6 ч.

1. Базовые основы

4 урока

Закрытый

1.1 Пространство исходов и события ↗

13м

Закрытый

1.2 Классическая вероятность и частота ↗

7м

Закрытый

1.3 Правило сложения и умножения событий ↗

17м

Закрытый

1.4 Условная вероятность ↗

44м

2. Независимость и ключевые формулы

3 урока

Закрытый

2.1 Независимые события и примеры ↗

9м

Закрытый

2.2 Формула полной вероятности ↗

17м

Закрытый

2.3 Формула Байеса ↗

39м

3. Классические задачи собеседований

4 урока

Закрытый

3.1 Задачи с собеседований: Монетки и кубики ↗

41м

Закрытый

3.2 Задачи с собеседований: Урны и шары ↗

34м

Закрытый

3.3 Задачи с собеседований: Колода карт ↗

24м

Закрытый

3.4 Задачи с собеседований: Дни рождения и парадоксы ↗

17м

4. Распределения и ожидания

4 урока

Закрытый

4.1 Случайная величина и матожидание ↗

19м

Закрытый

4.2 Дискретные распределения ↗

24м

Закрытый

4.3 Непрерывные распределения ↗

18м

Закрытый

4.4 Задачи с ожиданием ↗

21м

5. Итоговый блок

2 урока

Закрытый

5.1 Итоговый тест ↗

26м

Закрытый

5.2 Обратная связь ↗

1м