İT və Proqramlaşdırma

Data Science və Machine Learning təlimi

Python, statistika, Pandas/NumPy, Scikit-learn və TensorFlow ilə Data Science və Machine Learning öyrədən, EDA-dan model deploy-una qədər tam iş axınını əhatə edən praktiki təlim.

Həm əyani, həm onlayn — Bakı Orta 7 ay Azərbaycan dili 90 dəq/dərs Həftədə 3 dəfə

Python, statistika, Scikit-learn və TensorFlow ilə Data Science və Machine Learning öyrədən praktiki kurs. Bakıda və onlayn. Data Science və Machine Learning təlimi SmartEdu tərəfindən Bakıda əyani və onlayn formada keçirilən 7 aylıq, orta səviyyəli kursdur. Dərslər həftədə 3 dəfə, hər dəfə 90 dəqiqə keçirilir. İlk 2 dərs pulsuz sınaq dərsidir. Proqram 13 modulu və 45 mövzunu əhatə edir.

Kurs haqqında

Data Science və Machine Learning təlimi, real iş mühitində bir data scientist-dən tələb olunan bütün əsas bilik və bacarıqları əhatə edən tam praktiki bir proqramdır. Kurs Python-un əsaslarından başlayaraq xətti cəbr, ehtimal nəzəriyyəsi və statistikanın ML üçün lazım olan hissəsini, SQL ilə verilənlərin toplanmasını, Pandas/NumPy ilə data emalını, Exploratory Data Analysis (EDA) və vizualizasiyanı, Scikit-learn ilə supervised/unsupervised machine learning alqoritmlərini, TensorFlow/Keras ilə deep learning əsaslarını, əsas NLP texnikalarını, həmçinin hazır modelin Flask/FastAPI ilə deploy edilməsini ardıcıl şəkildə əhatə edir. Hər mövzu nəzəri izahla yanaşı, real verilənlər dəstləri üzərində praktiki tapşırıqlarla möhkəmləndirilir. Machine Learning bölməsində reqressiya, təsnifat, klasterləşdirmə və ölçü azaltma alqoritmləri, model qiymətləndirmə metrikaları (accuracy, precision, recall, F1, ROC-AUC) və hyperparameter tuning dərindən öyrədilir. Deep Learning bölməsində isə neyron şəbəkələr, CNN (şəkil tanıma) və RNN/LSTM (ardıcıllıq verilənləri) əsasları izah olunur. Kursun sonunda tələbələr real bir biznes məsələsini uçdan-uca (end-to-end) Data Science layihəsinə çevirirlər: verilənlərin toplanmasından tutmuş modelin qurulmasına və API kimi deploy edilməsinə qədər bütün mərhələləri özləri həyata keçirirlər. Bu yanaşma, kursu bitirən tələbələrin real iş elanlarında rast gəldiyi Data Science və Machine Learning tələblərinə tam hazır olmasını təmin edir.

Nələri öyrənəcəksiniz

  • Python-da data emalı və analiz üçün lazım olan bütün alətlərdən istifadə etmək
  • Xətti cəbr, ehtimal və statistikanın ML üçün lazım olan əsaslarını tətbiq etmək
  • Pandas/NumPy ilə verilənləri təmizləmək və feature engineering aparmaq
  • Exploratory Data Analysis (EDA) və data vizualizasiyası aparmaq
  • Supervised learning alqoritmləri (reqressiya, təsnifat) qurmaq və qiymətləndirmək
  • Unsupervised learning ilə klasterləşdirmə və ölçü azaltma aparmaq
  • Scikit-learn ilə tam ML pipeline-ı (preprocessing-dən qiymətləndirməyə) qurmaq
  • TensorFlow/Keras ilə əsas neyron şəbəkə modelləri qurmaq
  • CNN və RNN/LSTM arxitekturalarının əsas iş prinsiplərini başa düşmək
  • Əsas NLP texnikaları ilə mətn verilənlərini emal etmək
  • Hazır ML modelini Flask/FastAPI ilə API kimi deploy etmək
  • Git/GitHub ilə layihələri versiyalaşdırmaq
  • Real biznes məsələsini uçdan-uca (end-to-end) Data Science layihəsinə çevirmək

Tələblər

  • Kompüterdən sərbəst istifadə bacarığı
  • Riyaziyyata (xətti cəbr, ehtimal) qarşı maraq və əsas səviyyədə bilik faydalıdır
  • Analitik düşünmə və problemləri addım-addım həll etmə bacarığı
  • Windows, macOS və ya Linux əməliyyat sistemi olan kompüter/noutbuk (minimum 8GB RAM, GPU tövsiyə olunur, məcburi deyil)
  • Kursa həftədə minimum 10-12 saat vaxt ayıra bilmək
  • Əvvəlcədən proqramlaşdırma təcrübəsi tələb olunmur, lakin Python-a əvvəlcədən giriş faydalı olar

Kurikulum

  1. Data Science-ə Giriş

    Data Science iş axını (CRISP-DM) Data Analitika, Data Science, ML fərqləri Alətlər ekosistemi (Jupyter Notebook, Anaconda)
    3 gün

  2. Python Proqramlaşdırma Əsasları

    Sintaksis, dəyişənlər və data strukturları Funksiyalar və OOP əsasları Fayllarla iş (CSV, JSON)
    1 həftə

  3. Riyaziyyat və Statistika Əsasları

    Xətti cəbr (vektorlar, matrislər) əsasları Ehtimal nəzəriyyəsi və paylanmalar Təsviri statistika və hipotez testləri Korrelyasiya və reqressiya analizi
    2 həftə

  4. SQL və Verilənlərin Toplanması

    SELECT, JOIN və aqreqasiya sorğuları API-lərdən verilənlərin çəkilməsi (web scraping əsasları) Verilənlərin strukturlaşdırılması
    1 həftə

  5. Pandas və NumPy ilə Data Emalı

    DataFrame ilə verilənlərin yüklənməsi və təmizlənməsi Missing values və outlier-lərin idarə olunması Feature engineering əsasları GroupBy və aqreqasiya
    2 həftə

  6. Data Vizualizasiyası

    Matplotlib və Seaborn ilə statistik vizualizasiya Exploratory Data Analysis (EDA) Trend və anomaliyaların aşkarlanması
    1 həftə

  7. Machine Learning Əsasları: Supervised Learning

    Xətti və logistik reqressiya Qərar ağacları (Decision Trees) və Random Forest Model təlimi, train/test bölünməsi və cross-validation Model qiymətləndirmə metrikaları (accuracy, precision, recall, F1, ROC-AUC)
    2 həftə

  8. Machine Learning: Unsupervised Learning

    K-Means klasterləşdirmə Ölçü azaltma (PCA) Anomaliya aşkarlanması
    1 həftə

  9. Scikit-learn ilə Praktiki Model Hazırlanması

    Pipeline və preprocessing Hyperparameter tuning (GridSearchCV) Model saxlanması (pickle/joblib)
    1 həftə

  10. Deep Learning Əsasları

    Neyron şəbəkələrin (Neural Networks) quruluşu TensorFlow/Keras ilə model qurulması CNN (şəkil tanıma) əsasları RNN/LSTM (ardıcıllıq verilənləri) əsasları
    2 həftə

  11. Natural Language Processing (NLP) Əsasları

    Mətnin ön emalı (tokenization, stemming/lemmatization) Bag of Words və TF-IDF Sentiment analizi nümunəsi
    1 həftə

  12. Model Deployment və Git

    Flask/FastAPI ilə ML modelinin API kimi təqdim edilməsi Docker ilə paketlənmə əsasları Git/GitHub ilə versiya nəzarəti MLOps əsaslarına giriş
    1 həftə

  13. Yekun Layihə

    Real verilənlər dəsti üzərində tam Data Science iş axını EDA-dan model qurulmasına qədər bütün mərhələlərin tətbiqi Modelin API kimi deploy edilməsi Layihənin təqdimatı və nəticələrin şərhi
    2 həftə

Tez-tez verilən suallar

Xeyr, məcburi deyil — kurs xətti cəbr, ehtimal və statistikanın ML üçün lazım olan hissəsini sıfırdan izah edir. Riyaziyyata ümumi maraq isə prosesi asanlaşdırır.

Data Science verilənlərin toplanması, təmizlənməsi, analizi və vizualizasiyasını əhatə edən daha geniş bir sahədir; Machine Learning isə həmin verilənlər əsasında proqnozlaşdırıcı modellər qurmağa yönəlmiş bir alt sahədir. Bu kurs hər ikisini ardıcıl şəkildə əhatə edir.

Bəli, kursun bir modulu TensorFlow/Keras ilə neyron şəbəkələr, CNN və RNN/LSTM əsaslarına həsr olunub.

Junior Data Scientist, Machine Learning Engineer və ya Data Analyst stajı/vəzifələrinə müraciət edə bilərsiniz.

Kurs hibrid formatdadır — istəyinizə görə Bakıdakı ofisimizdə əyani, yaxud onlayn iştirak edə bilərsiniz.

Kursun sonunda tələbələr real verilənlər dəsti üzərində tam Data Science iş axınını tətbiq edib, modeli API kimi deploy edərək layihəni təqdim edirlər.