მონაცემთა მეცნიერება ტექნოლოგიური ინოვაციების წინა ხაზზეა, აერთიანებს რა სტატისტიკას, პროგრამირებასა და დარგობრივ ექსპერტიზას მონაცემებიდან მნიშვნელოვანი ინსაითების მისაღებად. ის ორგანიზაციებს საშუალებას აძლევს მიიღონ მონაცემებზე დაფუძნებული გადაწყვეტილებები, იწინასწარმეტყველონ სამომავლო ტრენდები და გადაჭრან კომპლექსური ბიზნეს ამოცანები. რადგან ბიზნესები სულ უფრო მეტად არიან დამოკიდებული მონაცემებზე, მონაცემთა მეცნიერებზე მოთხოვნა მაღალია და სთავაზობს კარიერული განვითარების შესანიშნავ შესაძლებლობებს კონკურენტული ანაზღაურებით.

პროგრამა აწყობილია სწავლების თანამედროვე მეთოდებით, როგორებიცაა ინტერაქციული მუშაობა და სიმულაციები. კურსის ფარგლებში აქცენტი გაკეთდება მსმენელების მაღალ ჩართულობასა და რეალური სამყაროს პრობლემების განხილვაზე სწავლების მიმდინარეობისას, რაც უფრო საინტერესოს ხდის ლექციების მიმდინარეობას.


კურსზე დასასწრებად აუცილებელია საშუალო დონეზე ექსელის და ინგლისურის ცოდნა .

სილაბუსი

1. შესავალი მონაცემთა მეცნიერებაში
Overview of Data Science and its Applications
The Data Science Workflow
Types of Data (Structured, Unstructured)
Tools of a Data Scientist (Python,  SQL, POWER BI)
Data Science Lifecycle
Problem-solving approaches in Data Science
2. მათემატიკა და სტატისტიკა მონაცემთა მეცნიერებისთვის
Linear Algebra:
Vectors, Matrices, and Tensors
Matrix Operations (Addition, Multiplication)
Eigenvalues and Eigenvectors
Calculus:
Derivatives and Integrals
Gradient Descent
Probability and Statistics:
Descriptive Statistics (Mean, Median, Mode, Variance, Standard Deviation)
Probability Distributions (Normal, Binomial, Poisson)
Hypothesis Testing
Confidence Intervals
p-value and Significance Levels
Bayes' Theorem
Optimization:
Cost Function Minimization
Constrained vs. Unconstrained Optimization
3. პროგრამირება მონაცემთა მეცნიერებისთვის
Python Programming:
Introduction to Python (Data Types, Functions, Loops, Conditionals)
Libraries: NumPy, Pandas, Matplotlib, Seaborn, SciPy
Data Manipulation (DataFrames, Series)
Data Cleaning (Missing Values, Outliers, Handling Categorical Data)
POWER BY/PYTHON for Statistical Analysis
Libraries: ggplot2, dplyr, tidyr
4. მონაცემთა დახარისხენა  და ძიება
Data Importing (CSV, Excel, JSON, Databases)
Data Cleaning (Dealing with Missing Values, Data Types)
Data Transformation (Normalization, Standardization, Feature Scaling)
Exploratory Data Analysis (EDA) Techniques
Data Visualization (Using tools like Matplotlib, Seaborn, Plotly)
Handling Categorical Variables (Encoding, One-hot Encoding)
5. მონაცემთა ბაზები და SQL მონაცემთა მეცნიერებისთვის
SQL Basics (SELECT, INSERT, UPDATE, DELETE)
Aggregation Functions (SUM, COUNT, AVG, GROUP BY)
Joins (INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL JOIN)
Subqueries and Nested Queries
Indexing, Views, and Normalization
Working with Big Data Databases (NoSQL like MongoDB, Apache Cassandra)
6. მანქანათმცოდნეობა
Supervised Learning:
Regression (Linear, Polynomial, Logistic)
Classification (K-Nearest Neighbors, Decision Trees, Random Forests, SVM)
Model Evaluation Metrics (Accuracy, Precision, Recall, F1-Score, ROC-AUC)
Overfitting and Underfitting
Unsupervised Learning:
Clustering (K-Means, DBSCAN, Hierarchical Clustering)
Dimensionality Reduction (PCA, t-SNE, LDA)
Association Rule Mining (Apriori Algorithm)
Advanced Topics:
Neural Networks and Deep Learning (Intro to CNNs, RNNs, and GANs)
Natural Language Processing (NLP) (Text Processing, Tokenization, Sentiment Analysis)
Time Series Analysis and Forecasting
Ensemble Methods (Bagging, Boosting, AdaBoost, Gradient Boosting)
Model Selection and Hyperparameter Tuning:
Cross-Validation
Grid Search and Random Search
7. დიდი მონაცემთა (BIG DATA ) ტექნოლოგიები
Introduction to Big Data
Hadoop Ecosystem (HDFS, MapReduce, Hive, Pig)
Spark (RDDs, DataFrames, Spark SQL)
Distributed Computing Basics
Working with Large Datasets and Data Pipelines
8. სიღრმისეული სწავლება Deep Learning and Artificial Intelligence 
Introduction to Neural Networks (Perceptrons, Multi-layered Neural Networks)
Backpropagation and Gradient Descent
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs), LSTMs
Generative Adversarial Networks (GANs)
Transfer Learning
9. მონაცემთა მეცნიერება პრაქტიკაში
Model Deployment (APIs, Flask/Django, Cloud Deployment)
Version Control (Git and GitHub)
Data Science Projects and Capstone Projects
Business Case Studies and Use Cases
Communicating Results (Data Storytelling, Dashboards, Presentations)
Ethics and Bias in Data Science
10. მონაცემთა მეცნიერების ინსტრუმენტები და ჩარჩოები
Jupyter Notebooks for Python-based analysis
Apache Spark for big data analysis
TensorFlow or PyTorch for deep learning
Cloud platforms like AWS, Google Cloud, or Azure for scaling data science workflows
11. გაფართოებული პრაქტიკული  თემები
Reinforcement Learning
Natural Language Processing (Advanced techniques: BERT, GPT)
Graph Analytics
Anomaly Detection
Time Series Forecasting (ARIMA, Prophet)
AutoML
12. ინდუსტრიის თავისებურებები
Healthcare Analytics
Financial Data Science
E-commerce and Marketing Analytics
Social Media Analytics
Sports Analytics
13. პროექტის ანალიზი 2 კომპანიის მაგალითზე და გამოყენებული იქნება SQL, POWER BI და PYTHON პროგრამირების სინთეზი

 
დამატებითი ინფორმაცია
ლექციები :  12 შეხვედრა
შეხვედრები: 2-3 საათიანი
დრო: 20:30 საღამო საათები
დღეები: კვირაში 2 ჯერ
დაგვიკავშირდით: 599-276-076