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 38 часов.

Какой рейтинг у курса «Профессия Data Scientist»?

Курс имеет рейтинг 4.8 из 5 на основе 0 отзывов. На курсе обучается 4 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 ★ 4.766

Name: Профессия Data Scientist
Price: 11500.00 RUB
Availability: InStock
Rating: 4.766386554621849 (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	4
Сертификатов выдано	0
Отзывов получено	32
Рейтинг курса	4.766
Курсов в пакете	9	—	—	—	—
Количество уроков	217
Количество квизов	1735
Количество задач с кодом	280
Время прохождения курса	38 ч.	—
Стоимость курса	11 500 ₽	—
Обновления курса	—	—
Дата публикации курса	5 месяцев 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»

1735 тестов Задачи в курсе «Профессия Data Scientist»

280 задач Время прохождения курса «Профессия Data Scientist»

38 ч.

1. Numpy для анализа данных 4.76

162

5 ч.

Введение в NumPy

3 урока

1. Знакомство с библиотекой NumPy ↗

2. Основы работы с массивами ↗

3. Типы данных в NumPy ↗

Операции с массивами

3 урока

1. Арифметика с массивами ↗

2. Статистические операции ↗

3. Математические функции в NumPy ↗

Многомерные массивы

2 урока

1. Работа с двумерными массивами ↗

2. Создание и манипуляции с многомерными массивами ↗

Манипуляции с данными

3 урока

1. Изменение формы и размера массивов ↗

2. Работа с пустыми и NaN значениями ↗

3. Подсчёт уникальных значений и их частот ↗

Работа с большими данными и производительность

2 урока

1. Производительность NumPy ↗

2. Работа с большими массивами ↗

Применение NumPy в анализе данных

4 урока

1. Загрузка и сохранение данных ↗

2. Применение NumPy для анализа временных рядов: часть 1 ↗

3. Применение NumPy для анализа временных рядов: часть 2 ↗

4. Обратная связь ↗

2. Pandas для анализа данных 4.60

122

6 ч.

Чтение данных из файлов

2 урока

1. Импорт данных из форматов CSV, Excel, JSON ↗

2. Обработка крупных файлов с chunksize ↗

Экспресс знакомство с данными

3 урока

1. Методы быстрого просмотра: head(), tail(), sample() ↗

2. Основные характеристики данных: info(), describe() ↗

3. Выявление и обработка пропущенных значений ↗

Вывод столбцов и работа с типами данных

2 урока

1. Доступ к столбцам и преобразование типов данных ↗

2. Преобразование типов данных для оптимизации памяти ↗

Фильтрация строк

1 урок

1. Условные фильтры и фильтрация по значениям ↗

Сортировка строк

1 урок

1. Сортировка по значениям и индексам ↗

Агрегирующие функции и вычисления

2 урока

1. Применение стандартных агрегирующих функций ↗

2. Пользовательские функции для агрегации ↗

Объединение данных

2 урока

1. Методы объединения данных: merge, join, concat ↗

2. Конкатенация таблиц ↗

Работа с датами и временем

2 урока

1. Преобразование строк в формат дат ↗

2. Извлечение временных компонентов (год, месяц, день) ↗

Преобразование значений и редактирование данных

2 урока

1. Замена значений (replace, map, applymap) ↗

2. Удаление дубликатов и управление индексами ↗

Визуализация данных в Pandas

1 урок

1. Базовая визуализация: гистограммы, boxplot, scatter ↗

Слайсинг и выборка данных

1 урок

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

Работа с текстовыми данными

1 урок

1. Разбор и обработка текстов ↗

Pandas и машинное обучение

4 урока

1. Масштабирование данных и нормализация ↗

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

3. Подготовка данных для ML-моделей ↗

4. Обратная связь ↗

3. SQL-собеседование: 200 задач уровня Junior 4.00

180

7 ч.

Основы SQL и подход к задачам на собеседовании

3 урока

1. SELECT, FROM, WHERE ↗

2. Условия: AND, OR, IN, BETWEEN, LIKE ↗

3. Подход к SQL-задачам на собеседованиях ↗

Сортировка и ограничение результатов

3 урока

1. ORDER BY ↗

2. LIMIT, OFFSET ↗

3. Первые/последние N строк по условию ↗

Агрегация и группировка

3 урока

1. COUNT, SUM, AVG, MIN, MAX ↗

2. GROUP BY, HAVING ↗

3. Группировка по нескольким полям ↗

JOIN: работа с несколькими таблицами

3 урока

1. INNER JOIN, LEFT JOIN, RIGHT JOIN ↗

2. JOIN на 3+ таблицы ↗

3. Обнаружение "висящих" записей (анализ NULL после JOIN) ↗

Подзапросы

3 урока

1. Подзапросы в SELECT, WHERE, FROM ↗

2. IN, EXISTS, NOT EXISTS ↗

3. Коррелированные подзапросы ↗

Работа с датами и строками

3 урока

1. DATE функции: NOW, DATEDIFF, EXTRACT ↗

2. Строковые функции: CONCAT, SUBSTRING, LENGTH ↗

3. CASE WHEN THEN ↗

Изменение данных

2 урока

1. INSERT, UPDATE, DELETE ↗

2. CREATE, ALTER, DROP ↗

Триггеры, индексы и представления

2 урока

1. Индексы и EXPLAIN ↗

2. VIEW и материализованные представления ↗

Частые ловушки

3 урока

1. NULL в логике ↗

2. Дублирующиеся строки ↗

3. SELECT N записей из каждой группы ↗

Финальные задания

4 урока

1. 20 комплексных задач по всем темам ↗

2. 20 комплексных задач по всем темам ↗

3. Чеклист для подготовки к интервью ↗

4. Обратная связь ↗

4. Мастерство ML: выбор, тюнинг и оптимизация моделей

284

0 ч.

Базовые принципы выбора моделей

3 урока

1. Bias-Variance trade-off ↗

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

3. Практика: выбор подходящей модели для реального датасета ↗

Линейные модели и их тюнинг

4 урока

1. Linear Regression, Logistic Regression - принципы, ограничения ↗

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

3. Feature scaling, подбор гиперпараметров (alpha, C) ↗

4. Практика:настройка регуляризации GridSearchCV и RandomizedSearch ↗

Деревья решений и ансамбли

4 урока

1. DecisionTreeClassifier/Regressor — как работает дерево ↗

2. Проблемы переобучения и глубины дерева ↗

3. Как сделать деревья устойчивыми: методы ансамблирования ↗

4. Практика: сравнение ансамблей по качеству и интерпретируемости ↗

Градиентный бустинг и его настройка

4 урока

1. Идея бустинга: как слабые модели становятся сильными ↗

2. XGBoost, LightGBM, CatBoost — обзор различий ↗

3. Подбор гиперпараметров (learning_rate, n_estimators, depth) ↗

4. Практика: тюнинг CatBoost и визуализация важности признаков ↗

Оптимизация гиперпараметров

4 урока

1. GridSearchCV, RandomizedSearchCV — теория и применение ↗

2. Bayesian Optimization (Optuna, Hyperopt) ↗

3. Cross-validation и nested CV для честной оценки ↗

4. Практика: поиск оптимальной модели под Kaggle-задачу ↗

Отбор и инженерия признаков

5 уроков

1. Feature importance, permutation importance ↗

2. Recursive Feature Elimination (RFE) ↗

3. Взаимодействия признаков (interaction features) ↗

4. PCA, t-SNE, UMAP для сокращения размерности ↗

5. Практика: улучшение модели за счёт правильных признаков ↗

Интерпретация моделей

3 урока

1. SHAP, LIME, Partial Dependence Plots ↗

2. Практика: анализ SHAP-графиков ↗

3. Обратная связь ↗

5. Нейросети в PyTorch: быстрый старт с нуля 5.00

143

6 ч.

Введение и настройка

2 урока

1. Что такое PyTorch и зачем он нужен ↗

2. Установка и настройка (локально и в Google Colab) ↗

Основы тензоров и автодифференцирование

2 урока

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

2. Автоматическое дифференцирование: requires_grad, backward() и др ↗

Линейные модели и градиентный спуск

4 урока

1. Ручной градиентный спуск ↗

2. Линейная регрессия с PyTorch ↗

3. Функции потерь и оптимизаторы (MSELoss, SGD) ↗

4. Тренировка и визуализация лосса ↗

Нейронные сети

4 урока

1. Что такое нейросети ↗

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

3. Активации: ReLU, Sigmoid, Softmax ↗

4. Модель классификации + обучение ↗

Работа с данными

3 урока

1. Dataset и DataLoader ↗

2. Работа с CSV и изображениями ↗

3. Аугментации и трансформации (torchvision.transforms) ↗

Компьютерное зрение

3 урока

1. Введение в сверточные сети (CNN) ↗

2. Conv2d, MaxPool2d, Flatten ↗

3. Классификация на MNIST / CIFAR-10 ↗

Оценка и сохранение моделей

3 урока

1. model.eval(), torch.no_grad() ↗

2. torch.save, torch.load ↗

3. Обратная связь ↗

6. Практический Machine Learning

372

0 ч.

Введение в машинное обучение

4 урока

1. Основные понятия ML ↗

2. Типы задач: регрессия, классификация, кластеризация ↗

3. Этапы ML-проекта ↗

4. Оценка качества моделей ↗

Анализ и подготовка данных

4 урока

1. Разведочный анализ данных (EDA) ↗

2. Обработка пропусков ↗

3. Нормализация и масштабирование ↗

4. Кодирование категориальных признаков ↗

Линейные модели

4 урока

1. Линейная регрессия ↗

2. Регуляризация (L1, L2) ↗

3. Градиентный спуск ↗

4. Логистическая регрессия ↗

Метрики и оценка моделей

3 урока

1. Метрики регрессии ↗

2. Метрики классификации ↗

3. Кросс-валидация ↗

Базовые алгоритмы

2 урока

1. K-ближайших соседей (KNN) ↗

2. Метод опорных векторов (SVM) ↗

Деревья решений и ансамбли

3 урока

1. Решающие деревья ↗

2. Случайный лес ↗

3. Градиентный бустинг ↗

Современные реализации бустинга

3 урока

1. LightBoost ↗

2. XGBoost ↗

3. CatBoost ↗

Снижение размерности

2 урока

1. Метод главных компонент (PCA) ↗

2. Визуализация данных ↗

Кластеризация

3 урока

1. K-means ↗

2. Иерархическая кластеризация ↗

3. DBSCAN ↗

Итоговый проект

2 урока

1. Финальный проект ↗

2. Обратная связь ↗

7. Разведочный анализ данных 5.00

202

1 ч.

О курсе и вводная подготовка

1 урок

1. Что такое EDA ↗

Математическая и техническая база

2 урока

1. Тест по математике (минимум необходимый) ↗

2. Тест по Python ↗

Основы работы с данными

4 урока

1. Типы данных, измерения и структура датасета ↗

2. Pandas: ключевые операции ↗

3. Polars: быстрый анализ больших данных ↗

4. Подведение итогов модуля ↗

Проверка качества данных

3 урока

1. Работа с пропусками — полный набор техник ↗

2. Дубликаты, ошибки и “грязные” данные ↗

3. Домашнее задание ↗

Визуализация данных

5 уроков

1. Matplotlib/Seaborn: базовые графики ↗

2. Plotly: интерактивные графики ↗

3. Pairplot, jointplot, тепловые карты ↗

4. Ошибки визуализации ↗

5. Домашнее задание ↗

Глубокий анализ признаков

5 уроков

1. Анализ числовых признаков ↗

2. Анализ категориальных признаков ↗

3. Взаимосвязь категориальных и числовых признаков ↗

4. Выявление выбросов и аномалий ↗

5. Домашнее задание ↗

8. Статистика для собеседований 5.00

118

349

7 ч.

Введение в прикладную статистику

5 уроков

1. Основные понятия: генеральная совокупность, выборка, параметры ↗

2. Виды данных: категориальные, числовые, дискретные ↗

3. Мера центральной тенденции: среднее, медиана, мода ↗

4. Разброс: дисперсия, стандартное отклонение, IQR ↗

5. Практика: Вычислить ключевые статистики вручную ↗

Распределения вероятностей

7 уроков

1. Что такое распределение и зачем оно нужно ↗

2. Нормальное распределение: свойства, Z-оценки ↗

3. Биномиальное, Бернулли, Пуассон ↗

4. Равномерное, экспоненциальное ↗

5. ЦПТ: как объяснить интервьюеру ↗

6. Практика: Определить распределение по графику/описанию ↗

7. Типичные вопросы с собеседований ↗

Оценивание и доверительные интервалы

2 урока

1. Доверительный интервал для среднего, для доли ↗

2. Понятие Bootstrap в статистике ↗

Гипотезы и статистические тесты

9 уроков

1. Что такое гипотеза: H0 и H1 ↗

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

3. p-value: как правильно объяснять ↗

4. t-тест: для чего нужен и как применять ↗

5. Z-тест, χ²-тест, F-тест ↗

6. A/B-тестирование: полный разбор ↗

7. Практика: провести A/B-тест в Python ↗

8. Типичные вопросы интервью: часть 1 ↗

9. Типичные вопросы интервью: часть 2 ↗

Корреляция и регрессия

5 уроков

1. Корреляция Пирсона, Спирмена, Кендалла ↗

2. Ковариация и как её объяснять ↗

3. Линейная регрессия: базовые идеи ↗

4. Линейная регрессия: мультиколлинеарность, VIF ↗

5. Вопросы интервью по корреляции и регрессии ↗

Итоговая практика

4 урока

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

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

3. Практическое задание: провести A/B тест ↗

4. Обратная связь ↗

9. Теория вероятностей для собеседований 5.00

128

170

6 ч.

Базовые основы

4 урока

1. Пространство исходов и события ↗

2. Классическая вероятность и частота ↗

3. Правило сложения и умножения событий ↗

4. Условная вероятность ↗

Независимость и ключевые формулы

3 урока

1. Независимые события и примеры ↗

2. Формула полной вероятности ↗

3. Формула Байеса ↗

Классические задачи собеседований

4 урока

1. Задачи с собеседований: Монетки и кубики ↗

2. Задачи с собеседований: Урны и шары ↗

3. Задачи с собеседований: Колода карт ↗

4. Задачи с собеседований: Дни рождения и парадоксы ↗

Распределения и ожидания

4 урока

1. Случайная величина и матожидание ↗

2. Дискретные распределения ↗

3. Непрерывные распределения ↗

4. Задачи с ожиданием ↗

Итоговый блок

2 урока

1. Итоговый тест ↗

2. Обратная связь ↗