Practical Data Science

הצורך להתמודד עם כמויות גדולות של מידע הוליד בשנים האחרונות תפקידים רבים והתמחויות שונות כגון ה-Data Analyst, ה-Business Intelligence וה-Big Data. עם זאת, היכולת לשלב בין כל אלו ולהוסיף עליהם נדבך ייחודי של חיזוי, נותרה נחלתם של מעטים, ובשנים האחרונות ביסס עצמו ה-Data Scientist/מדען נתונים כ”מקצוע הנחשק ביותר של המאה ה-21″.

תפקידו של מדען הנתונים הינו לבצע מחקרי מידע מעמיקים בכדי להפיק תובנות עסקיות לארגון, להפעיל אלגוריתמים שונים של מידול, כריית מידע ו- Machine Learning על המידע ולסייע בבניית תהליכי הכנת המידע ואופטימיזציה של האלגוריתמים השונים.

הכישורים הנדרשים מה-Data Scientist רבים ומגוונים ומתמקדים ב-4 שלבים עיקריים של עבודה עם המידע:

• השגת המידע – אינטגרציה של המידע ממספר מקורות, עם יכולת עבודה עם כמויות גדולות של מידע (Big Data), ויכולות של עיבוד מידע לא מובנה (Unstructured) .
• חקר נתונים – יכולות תכנות, יכולת ניתוח סטטיסטי ובניית מודל לתחקור.
• ניתוח אנליטי של המידע – יכולות של חיזוי, כריית מידע, אופטימיזציה, עיבוד מידע טקסטואלי ואנליזה של נתונים גדולים.
• הצגת המידע – יכולות של הצגת תוצרי התחקור ויכולות ויזואליזציה שונות.

נאיה קולג’, חטיבת ההדרכה של חברת נאיה טכנולוגיות, מתמחה בעולמות הדאטה מעל עשור ומציעה מסלולי הכשרה וקורסים בתחום הדאטה במטרה להכשיר דור חדש של מומחי דאטה מקצועיים ובעלי ידע עדכני ונדרש ביותר בתעשיה. מסלול הכשרה זה צמח מהשטח לנוכח הביקוש הגובר לאנליסטים בעלי יכולות טכניות גבוהות ובעלי ידע מעשי ופרקטי בעבודה עם טכנולוגיות חדשניות מגוונות.

מוזמנים לצפות בהקלטה של מפגש מקצועי בנושא Data Science עם עמית רפל,  Data Scientist ומדריך מוביל בנאיה קולג’.

מבנה מסלול הכשרה – Practical Data Science

מסלול זה מקנה את הכלים הנדרשים לכל שלב ושלב בעבודתו של ה-Data Scientist עם דגש על פרקטיקה ויכולות תכנות מתקדמות. מעבר לתרגול השוטף שיתבצע כחלק מתהליך הלימוד של כל נושא, יינתנו במהלך המסלול פרויקטים “אמיתיים”, כך שבסוף המסלול יהיה ברשות הסטודנט תיק עבודות מכובד שילווה אותו בהמשך דרכו.

מודול ראשון – תכנות

בחלקו הראשון של המסלול נלמד לתכנת ב-Python (מועבר בגרסת Python3), שהיא השפה המובילה כיום לתחקור הנתונים, ונרכוש כלים לעבודה עם נתונים ממקורות שונים ולהצגתם. נפתח מאפס קוד בסביבה מונחית-עצמים (Object-Oriented), שהיא המתודה הסטנדרטית כיום בפיתוח תוכנה ונבין לעומק את היתרונות הגלומים במתודה זו. בנוסף, נכיר את ספריית המודולים העשירה של השפה ונדע כיצד להיעזר בה.

מודול שני – עבודה על נתונים:

בחלקו השני של המסלול נסקור את משפחת החבילות מ- PyData, המהוות את סט הכלים המושלם לעבודה עם נתונים בכלל ונתונים טבלאיים בפרט. ראשית נכיר לעומק את חבילת ה-Pandas, דרכה ניחשף לעקרונות שונים בהכנה ובויזואליזציה של נתונים ולחבילות נוספות כגון numpy, matplotlib ו-seaborn. לאחר מכן נתוודע לפורמטים נפוצים (כגון JSON ו-HTML) ולמקורות נפוצים של נתונים, כגון בסיסי נתונים ורשת האינטרנט. בעזרת הכלים הללו נתנסה במגוון שיטות של Exploratory Data Analysis – EDA.

מודול שלישי – Machine Learning:

בחלקו השלישי של המסלול נצלול לפרקטיקה היומיומית של ה-Data Scientist, ובאמצעות use-case-ים שונים ניחשף באופן שיטתי והדרגתי לעולם אינסופי של כלים, שיטות, אתגרים, עקרונות, וכמובן – מודלים סטטיסטיים. נתוודע ל-CRISP-DM, המתודולוגיה המקובלת לפיתוח בעולם ה-Data Science, נבין את השלבים השונים שלה, וניישם אותם בפועל על אוסף רחב של בעיות עסקיות מעולמות תוכן שונים. נכיר לעומק את החבילה הנפוצה ביותר בעולם ה-Machine Learning, הלא היא Scikit-Learn.

מוזמנים לצפות בקטע מהשיעור ממנו מתחיל מודול Machine Learning, בהדרכתו של דרור גבע, ראש צוות Data Science בנאיה טכנולוגיות ומדריך בכיר.

מודול רביעי – העשרה ופרויקט מסכם:

את חלקו הרביעי של המסלול נקדיש לעבודה בפועל על פרויקט אישי מסכם, בו יוכל כל סטודנט להתנסות בטכניקות וברעיונות שנלמדו בקורס מול בעיה עסקית אמיתית. במהלך מפגשי הפרויקט הסטודנטים יסבירו את הבעיה העסקית שנבחרה ואת הנתונים המלווים אותה, ידגימו את תהליכי ה-pre-processing וה-feature engineering שלהם, ויציגו את המודלים שבהם בחרו להשתמש בסופו של דבר.

בתום ההכשרה, מקבלים הבוגרים שלנו סדנת פיתוח קריירה, הכוללת כתיבת קורות חיים, סימולציית ראיון, וקישור למשרות ולארגונים מעסיקים, וכן ליווי והכנה לראיונות מקצועיים על ידי מומחי הדאטה הבכירים שלנו.

מסלול הכשרה זה מלווה בלפחות 50% תרגול מעשי במהלך השיעורים, ובנוסף הסטודנטים יקבלו משימות ופרויקטים לכל נושא רלוונטי, במסגרתם יוכלו לממש את הידע הנרכש במהלך השיעורים. תוצרים של הפרויקטים יועלו לחשבון GitHub של כל סטודנט ובכך ייצרו תיק עבודות עשיר ומקצועי להצגה בפני המעסיקים בהמשך.