ЛЕТНЯЯ ШКОЛА

11 июня – 3 августа 2018Алматы

В партнерстве с

Что такое летняя школа Yessenov data lab?

Этапы программы

Кто может участвовать в конкурсе?

Участие в конкурсе

Программа обучения

Неделя 1. Язык программирования Python

Неделя 2. Линейные модели классификации и регрессии

  Неделя 3. Работа с признаками (PCA, классификация)

Неделя 4. Нейронные сети

Неделя 5. Глубокое обучение в компьютерном зрении

и обучении с подкреплением. Решение Kaggle задач

Неделя 6. Обработка естественных языков (NLP)

Неделя 7 и 8. Проектные задачи

Оглавление

Что такое летняя школа Yessenov data lab?

недельинтенсивного

обучения

8

6 недель учебы

2 недели

решения бизнес-кейсов

Даты проведения: 11 июня – 3 августа 2018

Расписание: по будням с 9:00 до 18:00

Количество участников: 20

ВЫПУСКНИКИ ШКОЛЫ ПРИОБРЕТУТ НАВЫКИ:

1. программирования на языке Python в рамках анализа данных

2. предварительной обработки данных, подготовки их для

последующего анализа (preprocessing)

3. визуализирования данных и нахождения в них зависимости

4. составления прогноза на основании исторических данных

5. понимания различных алгоритмов обучения

6. правильного выбора модели обучения

7. фундаментальное понимание работы нейронных сетей

Летняя школа Yessenov data lab это 8-недельный интенсив, который позволяет

за 8 недель ознакомиться с профессией аналитика данных, решать реальные

задачи бизнеса и в дальнейшем самостоятельно совершенствовать полученные

знания.

Место проведения:

Almaty Management University

Этапы программы

26 февраля – 25 марта

Прием заявок1 тур –оценка заявок

26 марта – 8 апреля

2 тур – экзамен на логику и основы статистики

9-22 апреля

3 тур – интервью

30 апреля – 13 мая

Летняя школа

11 июня – 3 августа

До кандидатов

60До кандидатов

40

победителей20

Кто может участвовать в конкурсе?

граждане Казахстанастарше 18 лет

1 2 3

студенты последнего курса бакалавриата/ магистратуры/ докторантуры

действующие профессионалы

ТРЕБОВАНИЯ К КАНДИДАТАМ:

сильные аналитические способности•

знание основ статистики и линейной алгебры•

направленность на результативность и целеустремленность•

ЯВЛЯЕТСЯ ПРЕИМУЩЕСТВОМ:

Владение английским языком

на уровне Intermediate

(6.5 IELTS/ 90 TOEFL ibt)

и выше

1 Умение программировать

2 Наличие сертификатов об окончании

курса по программированию или

диплом бакалавра по специальности

информатика либо другой

технической специальности

(математика, физика, инженерное дело)

3

Участие в конкурсе

НЕОБХОДИМЫЙ ПАКЕТ ДОКУМЕНТОВ:

1. Заполненная заявка

2. Копия удостоверения личности

3. Копии дипломов, сертификатов о прохождении курсов (по программированию, статистике, пр.), участии в олимпиадах по математике, информатике или другим техническим предметам

4. Копия транскрипта (все семестры) и диплома об окончании бакалавриата с оценками (для магистрантов и специалистов)

5. Ответ на вопрос «Я хочу научиться анализировать данные, чтобы…»

6. Резюме с портфолио, демонстрирующим достижения кандидата в области IT (при наличии)

7. Сертификат, подтверждающий владение английским языком (при наличии)

Зайти на сайтyessenovfoundation.org

Заполнить заявку и подготовить пакет документов

Отправитьinfo@yessenovfoundation.org

до 25 марта

Узнать результаты 1 тура

9 апреля

Программа обучения Язык программирования Python Неделя 1.

Куаныш Абешев декан Школы инженерного менеджмента AlmaU

11 июня - 15 июня

Регистрация участниковЧто такое Data Mining, Big Data, примерыКофе-брейкРазбор примера Titanic на KaggleОбедВведение в Python, переменные, списки, условия, циклыКофе-брейкЛабораторная работа: основы Python

09:00 – 10:0010:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 1

Структуры данных: списки, множества, библиотеки (ключ-значение)Кофе-брейкЗнакомство с библиотекой NumPyОбедЛабораторная работа: структуры данных и NumPyTeam Building

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 18:00

День 2

День 3

Знакомство с библиотекой Pandas, SciPy. Загрузка данных.Кофе-брейкГруппировка данных. Фильтры, сортировка.ОбедЛабораторная работа: работа с CSV, TXT, Quandl.Кофе-брейкЛабораторная работа: работа с CSV, TXT, Quandl.

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 4

Загрузка данных. Подготовка данных. Кофе-брейкПростейшая визуализация (2D Arrays)ОбедЛабораторная работа: PandasКофе-брейкЛабораторная работа: MatPlotLib

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 5

Тимур Бакибаев Профессор AlmaU

Объектно-ориентированное программированиеКофе-брейкРазбор игры Coders Strike Back на codingame.com ОбедЛабораторная работа на codingame.com: Простые задачиКофе-брейкЛабораторная работа на codingame.com: Coders Strike Back

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

Программа обучения Линейные модели классификации Неделя 2.

и регрессии

Дмитрий Русанов Data Scientist, EPAM Systems

18-22 июня

Задача оптимизации, метод градиентного спускаКофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 1

Линейные модели классификации и регрессииКофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 2

Переобучение, генерализацияКофе-брейкЛабораторная работаОбедЛабораторная работаTeam Building

День 3

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 18:00

Кросс-валидацияКофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 4

Метрики качества.Кофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 5

Программа обучения Работа с признаками Неделя 3.

(PCA, классификация)

Михаил Липкович Lead big data engineer, EPAM Systems

25-29 июня

Классификация, деревья решений и метод ближайших соседейКофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 1

Композиции: бэггинг, бустинг, случайный лесКофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 2

Обучение без учителя: PCA, кластеризацияКофе-брейкЛабораторная работаОбедЛабораторная работаTeam Building

День 3

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 18:00

Построение и отбор признаковКофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 4

Метод опорных векторов (SVM)Кофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 5

Программа обучения Нейронные сети Неделя 4.

Марина Горлова Analyst, Yandex Money

2-6 июля

Введение в нейронные сети. ПерцептронКофе-брейкАлгоритм обратного распространения ошибки (Backpropagation)ОбедЛабораторная работа: реализация нейронной сетиКофе-брейкЛабораторная работа: реализация нейронной сети

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 1

Введение в библиотеку KerasКофе-брейкВведение в библиотеку Keras. ПродолжениеОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 2

Сверточные нейронные сетиКофе-брейкЛабораторная работа с анализом изображенийОбедЛабораторная работа с анализом изображенийTeam Building

День 3

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 18:00

Рекуррентные нейронные сетиКофе-брейкЛабораторная работа с анализом текстовОбедЛабораторная работа с анализом текстовКофе-брейкЛабораторная работа с анализом текстов

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 4

Проблема переобучения нейронных сетей, аугментация данныхКофе-брейкЛабораторная работаОбедЛабораторная работаКофе-брейкЛабораторная работа

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 5

Программа обученияНеделя 5.

Дмитрий Котовенко Computer VisionReseach Assistant,AGT International

9-13 июля

Классификация MNIST, Fashion MNIST, LFW датасетовКофе-брейкЛабораторная работа: Работа над примеромОбедЛабораторная работа: Работа над примеромКофе-брейкЛабораторная работа: Работа над примером

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 1

VGG, ResNet и Inception архитектуры. Что видят нейронные сетиКофе-брейкЛабораторная работа: Работа над примеромОбедЛабораторная работа: Работа над примеромКофе-брейкЛабораторная работа: Работа над примером

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 2

От классификации к сегментации. Разбор Kaggle соревнованияКофе-брейкЛабораторная работа: Работа над примеромОбедЛабораторная работа: Работа над примеромTeam Building

День 3

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 18:00

Автоэнкодеры и вариационные автоэнкодеры. Pose estimationКофе-брейкЛабораторная работа: Работа над примеромОбедЛабораторная работа: Работа над примеромКофе-брейкЛабораторная работа: Работа над примером

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 4

Обучение с подкреплением. Пределы supervised learningКофе-брейкЛабораторная работа: Работа над примером3:15 – 14:30 ОбедЛабораторная работа: Работа над примеромКофе-брейкЛабораторная работа: Работа над примером

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 5

Глубокое обучение в компьютерном зрении и обучении с подкреплением. Решение Kaggle задач

16-20 июля

Кто такой аналитик и зачем он нужен? (Часть 1)Кофе - брейкКто такой аналитик и зачем он нужен? (Часть 2)ОбедПрактический кейс «Посвящение в аналитики?». Часть 1Кофе - брейкПрактический кейс «Посвящение в аналитики?». Часть 2

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 1 Кто такие аналитики и с чем они работают?

Клиентская аналитика – что за «фрукт»?Кофе - брейкCRM + АналитикаОбедРазвитие ключевых навыков аналитика. Часть 1Кофе - брейкРазвитие ключевых навыков аналитика. Часть 2

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 2 С чего начать?

Быть или не быть кредиту, вот в чем вопрос?Кофе - брейк«Семь раз отмерь, один раз отрежь».ОбедПоведенческая аналитика, как одна из главных линий защит в антифрод-процессе. Часть 1Кофе - брейкПоведенческая аналитика, как одна из главных линий защит в антифрод-процессе. Часть 2

День 3 Интеллектуальный Риск

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:00

16:00 – 16:1516:15 – 18:00

Умеешь ли ты читать между строк? Часть 1Кофе - брейкУмеешь ли ты читать между строк? Часть 2ОбедКогда система знает лучше клиента. Часть 1Кофе - брейкКогда система знает лучше клиента. Часть 2

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 4 Искусственный интеллект в Kaspi

Что делать, что делать? Однозначно покупать! Часть 1Кофе - брейкПрактический кейс: «Каждому клиенту свой продукт». Часть 1 ОбедПрактический кейс: «Каждому клиенту свой продукт». Часть 2Кофе - брейкПрактический кейс: «Каждому клиенту свой продукт». Часть 3

10:00 – 11:3011:30 – 11:4512:00 – 13:1513:15 – 14:30 14:30 – 16:0016:00 – 16:1516:15 – 18:00

День 5 Кейсы из маркетинга

Программа обученияЛаборатория KaspiНеделя 6.

Думан Уватаев Chief Data Officer

Айгерим Сагандыкова Главный аналитик группы экспериментальных проектов

Ильяс Жубанов

Начальник Управления

анализа данных

Программа обученияЛаборатория KaspiНеделя 7.

23-27 июля

Лаборатория Kaspi в цифрах

Студенты Лаборатории Kaspi на основе методов машинного обучения научились:

студентов нашлиотличную работу

8000+ 7 1 500+

100+ 420+ 40

16

студентов прослушалипрезентацию

студентов успешно сдалитест и прошли обучение

академическихчасов прослушано

прикладных задач решено

студентов пришлина тестирование

крупнейших профильных университетов - партнеры

полноценныханалитических сервисов разработано

Оценивать риск-профильклиентовпутем разработки архитектурыавтоматической системы принятия решенийпо принципу «кредитного конвейера»;

Разрабатывать, внедрять и оцениватьразличные рекомендательные системына сайте на основании данных поповедению на сайте;

Разрабатывать решениякомпьютерного зренияобнаружение, сопоставление, отслеживание и классификация объектов;

Понимать бизнеси имплементировать data drivenпроцессы в компании.

Обособлять первичноеот вторичногопри разработке дизайна отчета иликонтента презентаций / аналитических сводок;

Разрабатыватьсправедливые условия оценкилюбых маркетинговых активностейвне зависимости от каналовкоммуникации (массовые,персонифицированные);

Оптимизироватьоперационные процессыпутем централизации контурапринятия решений и сниженияресурсоемкости процессов;

Программа обучения Проектные задачиНеделя 8.

30 июля - 3 августа

Казахстанские компании, использующие анализ

данных в своей работе, представят перед

обучающимися реальные задачи, которые

актуальны на сегодняшний день. Успешные

выпускники школы получат предложения

о работе (job offer).

В партнерстве с

Алматы, 2018