Duomenų Inžinerijos Studijos

Sužinosite duomenų analizės metodus, pritaikysime Python programavimą Duomenų inžinerijai bei mokysimės įgalinti mašininį ir gilųjį mokymąsi duomenų tyrimams.

Apžvalga

Ką išmoksi?

Studijų metu kalbėsime apie įvairius “Didžiųjų inžinerijos” elementus. Sužinosite ką veikia duomenų inžinierius, koks yra šio darbo tikslas bei kokie įrankiai reikalingi jam įgyvendinti. Prisiminsime matematiką ir tikimybių teoriją, Python programavimą Duomenų inžinerijos srityje, analizuosime duomenis, mokysimes juos vizualizuoti, bei tam panaudoti statistiką. Analizuosime bei mokysimės dirbti su mašininiu mokymusi (Machine Learning) ir giliuoju mokymusi (Deep Learning).

Kur pritaikysi?

Duomenų inžinerija yra tarpdisciplininė sritis, kuri naudoja mokslinius metodus, procesus, algoritmus ir sistemas, kad iš daugelio struktūrinių ir nestruktūruotų duomenų gautų žinias ir įžvalgas. Duomenų mokslas yra susijęs su duomenų gavyba, mašinų mokymusi ir didžiaisiais duomenimis, dėl to gali būti pritaikomas labai plačiai – nuo medicininių iki rinkodarinių sprendimų. 

Kur dirbsi?

Karjera su didžiulėmis perspektyvomis ateityje. Kompanijoms vis labiau suprantant duomenų analizavimo naudą, specialistai gebantys ir suprantantys duomenis bei įrankius naudojamus jų analizei tampa ypatingai patrauklūs.

Finansavimas

Neatidėk mokslų ateičiai!

CodeAcademy suteikia galimybę už mokslus mokėti išsimokėtinai. Dėl platesnės informacijos ir sąlygų kviečiame susisiekti.

Susisiekti

Valstybė gali finansuoti mokymus bei suteikti papildomas kompensacijas mokymosi laikotarpiu: mokymosi stipendiją ir už keliones į mokymo vietą ir atgal. Susisiekite ir sužinokite Jums skiriamas finansavimo galimybes.

Plačiau

Karjeros planavimas

Workshop’ai

CodeAcademy tikslas yra ne tik suteikti žinių, tačiau ir padėti Jums persikvalifikuoti. Siekiant geriausių rezultatų Studijų studentams organizuojame 3 dalių karjeros dirbtuves, kuriuose analizuojame rinką bei Lietuvoje veikiančias įmones ir planuojame karjerą.
  • CV/Linkedin
  • Portfolio
  • Rinkos analizė

Asmeninės konsultacijos

Kiekvienam CodeAcademy studentui skiriamas individualus laikas, skiriamas padėti pasiruošti darbo pokalbiams su būsimu darbdaviu.

Įsidarbinimo galimybės

Apžvalga

Galimas Valstybės finansavimas

Valstybė gali finansuoti mokymus bei suteikti papildomas kompensacijas mokymosi laikotarpiu: mokymosi stipendiją ir už keliones į mokymo vietą ir atgal. Susisiekite ir sužinokite Jums skiriamas finansavimo galimybes. 

Mokymai - nuotoliniu būdu

Reaguodami į susiklosčiusią situaciją dėl pasaulyje siaučiančio viruso Covid-19, kviečiame mokytis nuotoliniu būdu. Kursų grafikas yra fiksuotas, visos pamokos yra vedamos gyvai, profesionalių CodeAcademy dėstytojų, kuriems, paskaitų metu, galite užduoti klausimus, pasitikrinti namų užduotis, gauti patarimų dėl ateities projektų.

Mokslams virtualioje ervėje naudojame vieną pažangiausių bei lanksčiausių pedagoginių programų – Moodle. 

Moodle (angl. Modular Object Orentiered Dynamic Learning Environment) – atvirojo kodo žiniatinklinė virtualaus mokymosi aplinka, suprojektuota pedagogams organizuoti mokymosi kursus tinkle. Čia studentai ras visą mokymo medžiagą, užduotis, ir naudingas nuorodas. 

Mokėjimo galimybės

Pažengusiųjų studijų mokėjimo galimybės: 

  • 3500€, mokant visą sumą iš karto arba penkiais mokėjimais studijų metu
  • 4000€, mokant dalimis po 100€ kas mėnesį 
  • 4500€, mokant dalimis po 50€ kas mėnesį

Vieta Studijų grupėje yra garantuojama sumokėjus 10% rezervacinį mokestį, kuris nėra grąžinamas. 

Arba už mokslus mokėti galite pradėkite tik tada, kai sėkmingai įsidarbinsite! Mėnesinis mokestis – 10% nuo Neto pajamų, su galimybe turėti mokėjimo atostogas iki 5 mėnesių. Studijų kaina tokiu mokėjimo būdu – 6000€.  

Rezervacinis mokestis renkantis šį mokėjimo būdą – 5% nuo galutinės kainos. 

Jei renkatės mokytis pradedančiųjų kursus ir pažengusiųjų studijas ir už juos atsiskaityti įsidarbinus, tokia galimybė kainuos 6500€. 

Programa

  1. Introduction (What? When? Why?)

    What do data scientists do, what is the purpose of their work, and what kind of tools are required to carry it out. An overview of practical applications of data science.

  2. Mathematics & Probability Theory

    • Linear Algebra – vectors, matrices, eigenvectors and eigenvalues, rank.
    • Probability Theory – random variables, expectation, variance, Markov’s inequality, Chebychev’sinequality.
    • Graph Theory – graphs, digraphs, trees.
    • Calculus – limits, sums, integration, differentiation.
  3. Python for Data Science

    A quick Python refresher and an introduction to Jupyter Notebook, allowing to make sure that all of the students have the basics knowledge necessary to take on the problems arising in the later topics of the course. The first practical on information retrieval via web scrapping.

      • Syntax
      • Comprehension
      • Iterators/Generators
      • Algorithms & Data Structures
      • Built-in Libraries (e.g., os, random, shutil, glob, etc.)
  4. Understanding Your Data

    Will discuss different data types and their modalities, introduce the libraries most commonly used for data exploration/visualization (e.g., Pandas, Matplotlib, Seaborn), as well as describe how descriptive/inferential statistics can be leveraged to detect anomalies within the data or to make inferences about it. The practical work will be built on top of previous exercises, focusing on Python along with libraries such as Pandas, NumPy, SciPy, Matplotlib, Seaborn.

      • Data Types & Modalities
      • Data Analysis & Visualization
      • Descriptive & Inferential Statistics
      • Anomaly Detection
  5. Machine Learning (Data Modeling)

    Will discuss supervised (learning to predict an output given some input) & unsupervised (discover the structure in a set of patterns) learning algorithms, as well as methods lying in between. Should provide the student with a set of practical techniques that can be applied to solve real-world problems. The practical work is built on top of previous exercises, focusing on the Scikit-learn library.

      • Feature Engineering (e.g., basis transform, PCA)
      • Classification vs. Regression
      • Supervised Methods (e.g., Naive Bayes, Decision Trees & Random Forests, Linear & LogisticRegression, Support Vector Machines, Nearest Neighbours)
      • Unsupervised Clustering Methods (e.g., k-Means, Gaussian Mixture Models, Hierarchical Clustering)
      • Anomaly Detection (e.g., via unsupervised clustering)
  6. Deep Learning

    Following upon the groundwork set earlier, this will focus on the deep learning algorithms and their implementation, as well as evaluation and use-cases. The practical should use one of the open-source toolkits like TensorFlow, Pytorch, Keras, or Fast.AI.

    • Feed-forward Network Architecture
    • Optimisation & Learning Rules
    • Regularization & Normalization
    • Neural Networks for Classification
    • Autoencoders
    • Convolutional Neural Networks
    • Recurrent Neural Networks (and their variants)
    • Transformer Architectures
  7. Modality-Specific Topics

    After the students have gone through a variety of data preparation, feature engineering, and data modeling techniques, we will focus on various data domains separately, going through the previously defined processes in more detail and describing the best practices when working with specific data types. Each student will be expected to focus on one (or few) of these topics, and the final practical will require to develop a predictive modeling system within the scope of chosen domains.

      • Modeling Time-Series & Sequential Data
      • Modeling Text Data
      • Modeling Audio Data
      • Modeling Visual Data
      • Modeling Tabular Data
      • Modeling Multi-Domain Data

Dėstytojai

Povilas Pažėra

Linkedin Artificial Intelligence & Deep Learning
Data Scientist @Baltic Institute of Advanced Technology; @Omnisend

Datos ir kainos

  • Laikotarpis
    TBA
    Trukmė
    432 val.
    Laikas
    18:00 - 22:00
    Kaina
    nuo 3500 € arba 50€/mėn. išsimokėtinai. Galimas valstybės finansavimas

Registracija