📌 Продолжаем рассказывать вам о событиях онлайн-магистратуры🙂
 
Уже на следующей неделе наши студенты поучаствуют в первом хакатоне (дататон) онлайн-магистратуры "Наука о данных".
 
❓ Почему "дататон"? Всё просто — студентам нужно выдвинуть проблему из любой интересующей их области и найти способ решения с помощью собранного data set.
 
Хакатон (дататон) — это уникальное мероприятие, в рамках которого можно реализовать идею из "ничего" за несколько дней и получить моментальный фидбэк о своей работе от эксперта в области (менторы), а также пополнить своё портфолио первым проектом.
 
Какие навыки прокачиваются во время хакатона?

🔹 Навык командной работы, в стрессовой ситуации
🔹 Тайм-менеджмент
🔹 Навыки презентации своей работы
🔹 Навыки product и project менеджмента в IT-проектах.
 
Теперь подробнее о структуре дататона🤖
 
6️⃣ дней упорной работы в команде с несколькими чек-поинтами:
 
Первый день — определение состава команды и идей, одна из которых будет реализована;
Второй и третий день — распределение задач и работа над прототипом проекта;
Четвертый и пятый день — подготовка MVP проекта и передача ссылки на GitHub;
Шестой день — защита собранных датасетов в рамках Demo day, выполненный проект оценивается менторами из индустрии и командами. Лучшие команды попадут в финал!
 
Прохождение каждого чек-поинта будет оцениваться баллами по сумме которых команды могут попасть в финал! 🏆

Желаем нашим студентам плодотворной работы! 🙂

📌Добрый день!
Рубрика «События онлайн-магистратуры» продолжается 🙂

В прошлую субботу завершился первый хакатон магистратуры «Наука о данных»🤖
(рассказывали подробно в предыдущем посте)

Напомним, что суть хакатона была в том, чтобы собрать data set на тему, которую выбрали сами студенты.

На линию старта вышли 18 команд, из которых все 18 команд дошли до полуфинала! 🤩
Команды делились на потоки, в каждом из которых два практикующих специалиста из области оценивали работы студентов. Менторы серьёзно подошли к оцениванию проектов и задавали много уточняющих вопросов. 

В финале встретились четыре команды! 🏁
После оценивания менторами работ финалистов мы узнали команду-победителя и услышали обратную связь от собравшихся экспертов отрасли.

Одно из ключевых отличий проекта-победителя, которое отметили менторы — это возможность реализации в бизнесе и получение прибыли👆🏻

О проекте-победителе мы расскажем вам в следующем посте 😉

📌Добрый день!

Рассказываем о проекте, который стал победителем хакатона🥁
 
Но, прежде чем рассказать о проекте-победителе выясним по каким критериям выставлялись оценки работам команд:
 
✔️ Актуальность собранного датасета
✔️ Размеры датасета
✔️ Точность
✔️ Полнота
✔️ Качество документации к датасету
✔️ Презентация датасета командой
 
По результатам оценок менторов победителем хакатона стала команда "Data SkyScrapers" со своим проектом — Торговые точки вблизи транспортно-посадочных узлов (ТПУ), г.Москва
 
👆🏻Проект способен привлечь внимание специалистов в области недвижимости, благодаря работе команды можно выявить наиболее выгодное положение торговых объектов относительно ТПУ, тем самым позволить грамотно выбрать месторасположение новой торговой точки с учётом таких факторов как: 

🔹 данные о стоимости коммерческой недвижимости в районе объекта
🔹 демографические и географические данные о районе объекта
🔹 данные о зоне охвата объекта
 
Академический директор программы Иван Ямщиков поздравил победителей и поговорил на различные темы в рамках неформальной встречи с командой-победителем🏅

📌Добрый день!
Завершающий пост про хакатон🤖

Рассказываем о менторах, которые приняли участие в хакатоне и делимся их впечатлениями.
 
🧑‍💻 Менторы — это специалисты из области применения DS.

У нас участвовали:

◾️ Виктория Богина, Data Scientist, компания Align Technology
◾️ Потапов Андрей, R&D engineer, Intellivision
◾️ Шмидт Кирилл, senior product analyst, Wrike
◾️ Николай Толстов, ДС тимлид, Мерлин АИ
◾️ Сиденко Андрей, Ведущий веб контент аналитик, Лаборатория Касперского
◾️ Владимир Суворов, Big Data and AI consultant, Auriga
◾️ Евгений Цымбалов, исследователь, Huawei
 
Все оценивающие отметили качество идей и реализацию проектов команд-финалистов.

👆🏻А также мы попросили менторов дать отзыв о самом мероприятии и вот некоторые из них: 

◽️ «Очень здорово, что у ребят возникло так много идей, и что они смогли эти идеи реализовать за достаточно короткий срок»

◽️ «Я как бывший выпускник магистратуры, но другой — тоже по анализу данных, хочу сказать, что у вас очень хорошая магистратура. В нашей магистратуре таких коллективных мероприятий не было, а идея действительно очень классная!»

◽️«Командная работа — это хорошо. Люди знакомятся, делятся опытом. Часто такие знакомства остаются на долгое время. Я бы сам в таком участвовал:)»

📌Добрый день!

На прошлой неделе студенты магистратуры «Наука о данных» приступили к изучению одной из важных дисциплин для любого data sсientist.

⚙️Высшая математика и алгоритмы машинного обучения⚙️

👆🏻Дисциплины взаимосвязаны и реализованы в процессе обучения — последовательно, от базовых основ математического анализа и теории вероятности к теории машинного обучения, обработки данных, бустингу и кластеризации.

💻Кроме изучения текстовых материалов и выполнения заданий по ним, студенты посещают теоретические вебинары, вебинары с разбором задач по темам, групповые семинары по решению задач и решают блок задач в командах, соблюдая 2-недельный дедлайн.

В рамках этой дисциплины студенты узнают:

◾️Какие задачи решает Machine Learning.
◾️Через какие этапы проходит решение любой такой задачи
◾️Закрепят тему «Предобработка данных» в контексте Machine Learning: работа с пропусками, Feature Engineering, визуализация данных и поиск выбросов.
◾️Научатся корректно использовать такие понятия, как вектор, базис, оператор, матрицы.
◾️Смогут оперировать основными инструментами для решения и анализа задач линейной алгебры.
◾️И даже использовать матрицы для решения задач и представления окружающего мира!

В нашей магистратуре “Наука о данных” НИТУ МИСиС, как оказалось, легко могут встретиться:

🚑 38-летний бывший врач-реаниматолог, который работал на “скорой”, но со школьной скамьи мечтал обучать машины

💻 25-летний программист, который мечтает работать с нейроинтерфейсами и попасть в компанию к Илону Маску

💃40-летняя студентка из Испании, которая хочет внести свой вклад в мировой прогресс, а толчком для изучения IT стала пандемия

Из какой сферы приходят в data science?
Кто они — будущие data scientists?
Как выбирают программу?
О чем мечтают?

И о том, какую роль сыграла пандемия, читайте в нашей статье 👉🏻 https://habr.com/ru/company/skillfactory/blog/527604/

📌Сегодня отвечаем на вопрос: «Что помогает учиться в онлайн-магистратуре "Наука о данных"»? 
 
В магистратуре вы можете получить образование в новой для себя сфере, даже если ваш базовый диплом совершенно другой. 
Но, перед тем как сдать вступительный экзамен и поступить, желательно самостоятельно освоить минимум знаний для учебы.
 
◽️ Основы языка программирования Python.
Python — один из основных инструментов для дата-сайентиста.
В первом семестре студенты будут изучать программирование на Python и большим плюсом станет, если вы уже понимаете основы синтаксиса Python. 
 
◽️ Понимание разделов математики, такие как — статистика, теория вероятности, математический анализ, линейная алгебра.
Без знаний математики не обойтись ни одному дата-сайентисту. 
Статистика и теория вероятности используется для анализа данных.
А линейная алгебра и математический анализ — нужны для понимания и применения алгоритмов машинного обучения. 
 
◽️ Навыки коммуникации или soft skills.
Дата-сайентист никогда не работает в одиночку!
В магистратуре много проектной работы, в которой нужно быть не просто исполнителем, а полноценным командным игроком.
Во время проектных практикумов и хакатонов, студенты будут пробовать себя в разных ролях: project manager, product manager, team lead. 
Кроме создания продукта с нуля, студенты научатся презентовать его, а также слушать и понимать друг друга, получать и давать сбалансированную обратную связь.

📌Онлайн-формат: почему стоит учиться в онлайн-магистратуре.

В современном мире совершенно невозможно предугадать или спланировать ближайшее будущее.

Мы мечтаем о понятной, надежной жизни, но реальность такова, что приходится жить в мире VUCA —нестабильном, неопределенном, сложном и неоднозначном, а пандемия — лишний раз нам это доказала.
Именно поэтому, обучение онлайн — разумное решение не только в 2020 году.

Несмотря на скепсис про эффективность онлайн-обучения, на примере нашей магистратуры, мы видим явные положительные стороны:

▪️ Студенты могут учиться в своём собственном темпе и по своему собственному графику, совмещая учебу с работой и личной жизнью.

▪️ Вернуться к пройденному материалу можно в любое время, по мере необходимости.

▪️ В онлайне застенчивым или сдержанным студентам проще развивать коммуникативные навыки.

▪️У нас есть кураторы, которые смогут найти решение по любому вопросу 24/7, а в прохождении модуля помогут эксперты курса. Получить ответ от эксперта можно в любом удобном формате: письменно и устно.

Отзыв нашей студентки — подтверждающий вышесказанное (смотрите в следующем посте)

Рубрика «Отзывы наших студентов».

«Отсутствие бюрократии в образовательном процессе. Пожаловалась я на недостаток тренажёров – мне прислали. Где-то выявили ошибку - выявили - заменили. Проблема ошибок и опечаток, кстати общая с офлайном, они ведь не зависят от того, задание дано онлайн или офлайн. Только в онлайне — это исправляется гораздо быстрее».

#отзывы

📌С понедельника стартует новая дисциплина для наших студентов:

⚙️Современные методы решения инженерных задач⚙️

✨Курс разработал кандидат технических наук, доцент, заведующий кафедрой автоматизации НИТУ «МИСиС» и преподаватель с 43-м стажем — Калашников Евгений Александрович


Курс состоит из 4 модулей:

 1️⃣ «Оценка экономических и производственных параметров для формализации инженерной задачи»

 2️⃣ «Балансовая модель экономики производства»

 3️⃣ «Линейная производственная модель»

 4️⃣ «Планирование производственно-экономических процессов»
 

После прохождения курса, студенты научатся:

▪️Применять современные теоретические и экспериментальные методы разработки математических моделей исследуемых объектов и процессов, относящихся к профессиональной деятельности по направлению подготовки.

▪️Проводить математическое моделирование процессов, оборудования, средств и систем автоматизации, контроля, диагностики, испытаний и управления с использованием современных технологий научных исследований, разрабатывать алгоритмическое и программное обеспечение средств и систем автоматизации и управления. 

▪️ Демонстрировать практические навыки для решения проблем и проведения ко́мплексных исследований; системное понимание применяемых технических решений, технологий и процессов в области, соответствующей образовательной программе; глубокое понимание экономических, организационных и управленческих вопросов (управление проектами, управление рисками и управление изменениями).

📌В онлайн-магистратуре «Наука о данных» прошла ежемесячная внеучебная встреча.

Кто следит за новостями магистратуры, знает, что внеучебные встречи проводятся регулярно с целью — немного расслабиться и пообщаться с коллегами 🫂

В этот раз встреча прошла в формате игры под названием «Данетка» — командная активность, в которой ведущий задаёт ситуацию, и отвечает на вопросы игроков односложным «Да» или «Нет».

Такой подход помогает развить критическое мышление 🧠

Всего было решено 11 задач, затрачено около 1 часа.
Местами были трудности, чтобы задать верный вопрос ведущему, но в итоге удалось решить все задачи.

Чтобы вы прониклись духом нашей встречи, предлагаем решить одну из задач 🙂

⁉️ Задача  «Девушка надевает гипс себе на руку, с которой ничего не случилось. Зачем?»

Ждем ваши варианты ответов в комментариях👇🏻