Длительность - 28 недель, 150 академических часов
2-3 занятия в неделю по 2-3 часа
Стоимость курса - 400 000 тг за весь период обучения
Формат обучения - гибрид
Онлайн занятия проводятся в GoogleMeet
Оффлайн занятия проводятся в учебной аудитории центра
Соотношение теории к практике 40/60
Описание курса - Обучение начинается с основ программирования на языке Python, далее студенты продолжают обучение линейной алгебре, статистике, теория вероятностей, корреляция и регрессий. Этот курс, предоставляет основные знания и навыки в области машинного обучения. В течение курса вы узнаете, как работает машинное обучение, основные алгоритмы и методы, используемые в этой области с языком программирования Python, а также язык Python с его применением в области анализа данных. Вы также познакомитесь с понятиями, такими как классификация, регрессия, кластеризация и обучение с подкреплением. Курс включает в себя теоретические лекции, практические задания и проекты, которые помогут вам применить полученные знания на практике
Критерии отбора - Отбор состоит из 1 этапа - скрининг(кандидаты отбираются по анкетам). Если
школа посчитает необходимым кандидаты проходят тестирование (математика, логическое мышление)

Неделя 1
Академические часы: 6

• Введение в Python
• Изучение основ и запуск первых программ на Пайтон

Неделя 2
Академические часы: 6

• Python: продолжение
• Циклы. Функции

Неделя 3
Академические часы: 6

• Python: Завершение
• Практика

Неделя 4
Академические часы: 5

• Исследовательский анализ данных
• Изучение процесса анализа набора данных с целью выявления закономерностей, трендов, аномалий и важных особенностей.
• Введение в Pandas

Неделя 5
Академические часы: 5

• Исследовательский анализ данных
• Введение в SQL. Pandas: продолжение
• Проект №1

Неделя 6
Академические часы: 6

• Регрессия
• Введение в регрессию

Неделя 7
Академические часы: 5

• Регрессия
• Изучение ООП

Неделя 8
Академические часы: 6

• Классификация
• Введение в классификацию

Неделя 9
Академические часы: 6

• Классификация
• Проект №2
• Обсуждения

Неделя 10
Академические часы: 6

• Web Scraping, API’s and NLP
• Введение в Web Scraping
• Изучение Flask

Неделя 11
Академические часы: 4

• Web Scraping, API’s and NLP
• Практика

Неделя 12
Академические часы: 6

• Web Scraping, API’s and NLP
• Изучение NLP
• Midterm exam

Неделя 13

• Академические часы: 5
• Расширенные классификаторы
• CART (Classification And Regression Tree)

Неделя 14
Академические часы: 6

• Расширенные классификаторы
• SVM(Метод опорных векторов)
• Проект №3

Неделя 15
Академические часы: 6

• Neural Networks
• Введение в Neural Networks
• Введение в Tensorflow
• CNNs в науке о данных

Неделя 16
Академические часы: 4

• Neural Networks
• Практика

Неделя 17
Академические часы: 6

• Neural Networks
• Введение в Keras
• CNNs продолжение

Неделя 18
Академические часы: 6

• Обучение без присмотра(Unsupervised learning)
• Введение в Unsupervised learning
• Изучение DBSCAN, HDBSCAN, hierarchical кластеринга

Неделя 19
Академические часы: 5

• Обучение без присмотра(Unsupervised learning)
• Проект №4

Неделя 20
Академические часы: 6

• Bayesian Statistics and Inference
• Введение в Bayes
• Знакомство с новыми системами

Неделя 21
Академические часы: 5

• Bayesian Statistics and Inference
• Регрессия Байеса и PyMC3
• MCMC

Неделя 22
Академические часы: 6

• Advanced topics
• Корреляция данных
• ARMA & ARIMA

Неделя 23
Академические часы: 6

• Advanced topics
• Рекуррентная нейронная сеть
• Пространственные и пространственно-временные данные

Неделя 24
Академические часы: 5

• Big Data
• Введение в Big Data
• Финальный экзамен

Неделя 25
Академические часы: 6

• Big Data
• DataFrame+Spark
• Машинное обучение + Spark

Неделя 26
Академические часы: 3

• Review
• Повторение

Неделя 27-28
Академические часы: 10

• Capstone проект
• Обсуждение
• Защита проекта

Процесс оценивания в ходе обучения осуществляется на основе строго определенных критериев, которые позволяют оценить прогресс и достижения учеников. Во время выполнения проектов и домашних заданий, каждое задание будет оцениваться на основе 5-балльной шкалы, где каждая оценка соответствует определенному уровню успешности в выполнении задания.

Границы оценок:
«отлично» - 5 баллов
«хорошо» - 4 баллов
«удовлетворительно» – 3 баллов
«неудовлетворительно»- менее 3 баллов.

Оценивание учеников осуществляется на регулярной основе, что позволяет отслеживать их прогресс в течение всего курса. В конце каждого модуля и в конце курса проводится подведение итогов и вычисление общей оценки, чтобы выделить учеников с высокой успеваемостью. Кроме того, важным аспектом
оценивания является выявление учеников, у которых возникают затруднения или низкая успеваемость. В таких случаях предусмотрена своевременная помощь и поддержка для этих учеников, с целью помочь им преодолеть трудности и достичь лучших результатов.