Duomenų mokslas: nuo Python programavimo iki duomenų analizės praktikos

Pradėk duomenų mokslininko kelionę jau dabar!

  • Nedirbantiems. UŽT kodas 223003024
  • Dirbantiems. UŽT kodas 223003022
  • Visos paskaitos vyksta gyvai internetu su lektoriumi
  • Galima studijuoti dienomis arba vakarais
  • Trukmė: 492 val. nuo 12 iki 41 savaitės
  • Laikas dienomis: 5 kartai per savaitę po 8 valandas
  • Laikas vakarais: 3 kartai per savaitę po 4 valandas
  • Galimybė kursą kartoti NEMOKAMAI 12 mėn po kurso baigimo
  • Prieiga prie paskaitų įrašų
  • Nedirbantiems. UŽT kodas 223003024
  • Dirbantiems. UŽT kodas 223003022
Kaina: 3950€
(Mokant visą sumą iškart taikoma 10% nuolaida)

Artimiausios datos:
  • Lapkričio 25 d. Dieniniai
  • Lapkričio 21 d. Vakariniai

Mūsų studentai dirba

Ko išmoksiu?
Python programavimo nuo pagrindų.

Duomenų manipuliavimo su Pandas.

Versijų kontrolės su Git.

Duomenų analizės ir valdymo su SQL.

Mašininio mokymo principų.

Natūraliosios kalbos apdorojimo (NLP).

Web scraping principų.

Testavimo metodologijos ir Pytest naudojimo.

Giluminis duomenų analizės ir mašininio mokymo.

Algoritmų ir duomenų struktūrų.

Ką gebėsiu po mokymų?

Savarankiškai analizuoti ir interpretuoti duomenis.

Taikyti statistinius metodus duomenų analizėje.

Gebėsite vizualizuoti duomenis ir aiškiai pateikti rezultatus.

Naudotis Python programavimo kalba duomenų analizės užduotims atlikti.

Gebėsite naudoti specializuotas duomenų analizės ir statistikos programas.

Įgysite suvokimą apie duomenis ir duomenų bazių valdymą.

Gebėsite kurti vizualizacijas ir ataskaitas duomenų analizės rezultatams pristatyti.

Gebėsite dirbti su dideliais duomenų rinkiniais ir duomenų bazėmis.

Sugebėsite dalytis duomenų analizės rezultatais su kolegomis ir pateikti rekomendacijas.

Suprasite apie etinius ir teisinius aspektus, susijusius su duomenų analize.

Suvokimas apie verslo aplinką ir galimybę pritaikyti duomenų mokslo įgūdžius verslo problemoms spręsti.

Gebėsite testuoti Python kodą ir užtikrinti, kad jis būtų patikimas ir veiktų taip kaip tikimasi.

Įgysite Objektinio ir Funkcinio programavimo įgūdžius.

Galimos darbo pozicijos po mokymu:

  • Duomenų Mokslininkas
  • Duomenų Analitikas
  • Mašininio Mokymo Inžinierius
  • Duomenų Inžinierius
  • Verslo Analitikas
  • Duomenų Produktų Vystymo Specialistas

Mokymų programa

  • Programavimo aplinkos nustatymas
  • Pirmoji Python programa „Hello World“
  • Kintamieji ir jų tipai(1h);
  • If, elif, else sąlygos sakiniai;(1h)
  • Operatoriai ir matematiniai veiksmai(2h)
  • For ciklo struktūra(30min);
  • Iteravimas per sąrašus ir žodynus(1.30h);
  • Range funkcija ir ciklo valdymas(1h)
  • „Break“ ir „Continue“ komandos for cikle(1h);
  • While ciklo struktūra(30min);
  • Sąlygų tikrinimas while cikle(1h);
  • „Break“ ir „Continue“ komandos while cikle(1h);
  • Ciklų panaudojimas konkrečiuose uždaviniuose(2h);
  • Palyginimo operatoriai: Lygybės ir nelygybės tikrinimas;
  • Palyginimo operatoriai: Daugiau nei (>) ir mažiau nei (<) tikrinimas;
  • Palyginimo operatoriai:Daugiau nei arba lygu (>=) ir mažiau nei arba lygu (<=) tikrinimas;
  • Palyginimo operatoriai: Sąlygų sudarymas su loginiais operatoriais (and, or, not);
  • Trumpasis sąlyginis operatorius (Ternary Operator)
  • Funkcijų struktūra ir apibrėžimas
  • Funkcijų argumentai ir jų naudojimas
  • Grąžinimo reikšmės ir return sąsaja
  • Funkcijų kvietimas su skirtingais argumentais
  • Rekursija ir jos taikymas(1h)
  • Kintamųjų sričių supratimas (scope)
  • Skriptų vykdymas ir parametrų perdavimas komandinėje eilutėje
  • Vietinių kintamųjų naudojimas funkcijose
  • Globalių kintamųjų naudojimas ir apsauga
  • Modulių importavimas ir naudojimas
  • Python paketų valdymas (pip)
  • Išimtys ir failų valdymas Python
  • Išimčių pristatymas ir jų paskirtis
  • Standartiniai išimčių tipai (TypeError, ValueError, etc.)
  • Try-Except blokai
  • Išimčių apdorojimo veiksmai (try, except, else, finally)
  • Tekstinės bylos skaitymo ir rašymo principai
  • Duomenų apdorojimas eilutėmis
  • Pavyzdžiai su tekstine byla
  • Binarių bylų skaitymo ir rašymo principai;
  • Pickle biblioteka: objektų serializacija;
  • Duomenų saugojimas ir atkūrimas su pickle;

 

  • Failų ir katalogų sąrašo gavimas;
  • Bylų skaitymas ir rašymas su Python;
  • JSON duomenų struktūros ir naudojimas Python;
  • JSON failų skaitymas ir rašymas;
  • Sąrašų ir žodynų apibrėžimas;
  • Sąrašų ir žodynų manipuliavimas;
  • Sąrašų rikiavimas ir filtravimas;
  • Žodynų raktų ir reikšmių naudojimas;
  • Sąrašų ir žodynų pavyzdžiai praktikoje;
  • Žodynų raktų ir reikšmių naudojimas;
  • Sąrašų ir žodynų pavyzdžiai praktikoje;
  • Eilučių (tekstinių simbolių seka) supratimas;
  • Eilučių operacijos: sąsajos, dėsnių išgavimas;
  • Eilučių formatavimas ir manipuliavimas;
  • Išimčių apdorojimo veiksmai (try, except, else, finally);
  • Direktorijų kūrimas, peržiūra ir šalinimas
  • Failų perkėlimas ir pervadinimas
  • Klaidų žurnalo kūrimas ir tvarkymas
  • Dokstringų naudojimas funkcijose ir klasėse
  • Modulių ir paketų kūrimas
  • Importavimo ir modulių hierarchija
  • Python projektų struktūra
  • Kas yra Git ir kodėl jį naudoti?
  • Git prieš kitas versijų kontrolės sistemas
  • Git diegimo instrukcijos
  • Pradinė Git konfigūracija
  • Darbas su lokalia repozitorija: „Init“, „Add“, „Commit“, „Status“
  • Branch’ų kūrimas, perjungimas: „Branch“, „Checkout“
  • Istorijos peržiūra ir skirtumai: „Log“, „Diff“(1h);
  • Kas yra nuotolinė repozitorijas? „Remote“, „Clone“, „Push“, „Pull“;
  • „Merge“ ir „Rebase“: kaip sujungti darbus;
  • Konfliktų sprendimas ir patarimai;
  • Saugumo praktikos: SSH raktai;
  • Git srautų modeliai: Gitflow, GitHub flow;
  • Git GUI klientai ir įrankiai;
  • Kaip tęsti Git mokymąsi: ištekliai ir geriausios praktikos;
  • Apibrėžimas ir pagrindinės OOP sąvokos
  • Objekto, klasės ir metodų sąvokos
  • Pavyzdžiai su objektais ir klasėmis Python kalboje
  • Klasės ir objektai:Klasės deklaravimas ir struktūra
  • Klasės deklaravimas ir struktūra
  • Konstruktorių ir destruktorių vaidmuo
  • Pavyzdžiai su klasių kūrimu
  • Objektų instancijų kūrimas: Kintamųjų inicializavimas
  • Kintamųjų inicializavimas
  • Metodų kvietimas per objektus
  • Objektų instancijų kūrimas: Metodų kvietimas per objektus
  • Objektų instancijų kūrimas: Klasės ir objekto sąveika
  • Paveldėjimo sąvoka ir naudojimas: Tėvinės ir vaikinės klasės
  • Paveldėjimo sąvoka ir naudojimas: Tėvinės ir vaikinės klasės
  • Paveldėjimo sąvoka ir naudojimas: Papildomų metodų kūrimas vaikinėje klasėje
  • Polimorfiškumo principai: Polimorfiškumo esmė
  • Abstrakčių klasių kūrimas
  • Abstrakčių klasių kūrimas
  • Polimorfinių metodų naudojimas
  • Objektinio modelio projektavimas: Užduočių ir objektų identifikavimas
  • Duomenų struktūrų ir metodų projektavimas
  • Objektinio programavimo naudojimas duomenų analizėje: Duomenų valdymas ir transformavimas
  • Duomenų modelių kūrimas ir naudojimas
  • Realios duomenų analizės situacijos
  • OOP projektų kūrimas ir aptarimas
  • Kintamųjų ir savybių saugojimas
  • Būsenos valdymas per objektus
  • Statinės savybės ir metodai
  • Statinės savybės ir metodai
  • Klasių metodų naudojimas
  • Klasės kvietimas ir objekto veiksmai
  • Objektų sąveikos scenarijai
  • Objektų sąveikos scenarijai
  • Duomenų analizės užduotys
  • Duomenų analizės užduotys
  • OOP projektų struktūra
  • OOP projektų struktūra
  • Objektų naudojimas duomenų transformavimui
  • Objektų vaidmuo duomenų transformavime
  • Objektinio programavimo principai duomenų analizėje
  • Pavyzdžiai su duomenų transformavimu naudojant objektus
  • Užduočių sprendimas
  • Web scraping principai
  • Kas yra web scraping ir jo privalumai
  • HTML pagrindai
  • HTTP užklausų siuntimas ir atsakymų analizė
  • Teisiniai apribojimai ir etikos klausimai web scraping srityje
  • BeautifulSoup ir kitos web scraping bibliotekos
  • BeautifulSoup bibliotekos įdiegimas ir pristatymas
  • Elementų paieška ir išskyrimas iš HTML puslapio
  • Scraping taisyklių ir šablonų naudojimas
  • Realūs pavyzdžiai: web scraping projektai
  • Pandas bibliotekos pristatymas
  • Duomenų filtravimas ir grupavimas
  • Duomenų vizualizacija su Pandas
  • Duomenų struktūros: serijos ir duomenų lentelės (DataFrame)
  • Nebalansuotų duomenų apdorojimas
  • Tekstinių duomenų valdymas
  • Teksto analizės metodai
  • Teksto duomenų pavyzdžiai su Pandas
  • Vaizdinių duomenų įkėlimas ir apdorojimas
  • Vaizdų apdorojimo bibliotekos (OpenCV, Pillow
  • Vaizdų vizualizacija
  • Įvadas į testavimą: Testavimo svarbos ir pagrindinių principų apžvalga
  • Testavimo metodologijų įvadas: Skirtingi testavimo tipai, tokių kaip black box, white box, ir grey box
  • Unit Testų Reikšmė OOP Kontekste: Unit testų nauda objektinėje programavimo paradigmoje
  • Testų Atvejų Rašymas Klasėms ir Metodams: Testavimo scenarijų kūrimo praktiniai pavyzdžiai
  • Mocking ir Patching Unit Testuose
  • TDD Taikymas OOP su Python
  • PyTest Panaudojimas Testuojant Klases
  • Geriausios OOP Testavimo Praktikos
  • Mocking ir Patching Unit Testuose: Imitavimo technikų ir priklausomybių valdymo testuose pristatymas
  • TDD Taikymas OOP su Python: Testuojamojo programavimo ciklo integravimas į objektinį programavimą
  • PyTest Panaudojimas Testuojant Klases: PyTest bibliotekos pristatymas ir praktinis naudojimas
  • Geriausios OOP Testavimo Praktikos: Testų organizavimas, dokumentacija, ir palaikymas
  • PyTest įdiegimas ir konfigūravimas: Darbas su PyTest, įrankio konfigūracija ir pritaikymas
  • PyTest testų rašymas ir vykdymas: Testų scenarijų kūrimas, vykdymas ir rezultatų analizė
  • Integruoto Testavimo Strategijos: Testavimo proceso integravimas į plėtros ciklą, CI/CD sistemose
  • Testų Optimizavimas ir Paralelinis Vykdymas: Testavimo veiksmingumo didinimas, testų vykdymo paralelizavimas
  • Testavimo karkasai: PyTest, unittest, nose2, ir kitų įrankių palyginimas
  • Testų Automatizavimas: Automatinio testavimo įrankių taikymas
  • Testavimo atvejai su duomenų bazėmis: Testavimas dirbant su nuotolinėmis ir lokaliomis duomenų bazėmis
  • Duomenų srautų ir servisų testavimas: API, web servisų testavimo metodai
  • Testavimo metrikos: Testavimo efektyvumo įvertinimas, kokybės matavimo rodikliai
  • Testavimo rezultatų sekimas ir analizė: Testų rezultatų išnagrinėjimas, problemų identifikavimas
  • Testavimo automatizavimas: Įvadas į CI/CD, Travis CI, Jenkins, GitLab CI/CD
  • Testavimo darbo srautų optimizavimas: Efektyvios praktikos ir įrankiai, skirti testavimo procesui greitinti ir automatizuoti
  • Testavimo planavimas ir testavimo atvejai
  • Testavimo metrikos ir rezultatų sekimas
  • Testavimo kartojimas
  • Praktinis Testavimas: Projektas
  • Duomenų bazės sąsajos  su Python
  • Duomenų gavybos užduotys ir užklausos
  • Duomenų gavyba iš duomenų bazės su Python
  • Realios duomenų gavybos projektai
  • Duomenų transformavimo ir valdymo metodai
  • Duomenų analizės įrankiai ir bibliotekos
  • Praktiniai duomenų analizės pavyzdžiai
  • Duomenų saugojimas, atkūrimas ir indeksavimas
  • Duomenų saugojimas, atkūrimas ir indeksavimas
  • Duomenų saugojimo strategijos
  • Duomenų bazės indeksavimo principai
  • Klasterizavimo pradžia ir reikšmė duomenų moksle
  • Klasterizavimo algoritmų tipai: hierarchinis, K-vidurkių, DBSCAN
  • K-Means klasterizavimo algoritmo gilinimas
  • Hierarchinio klasterizavimo principai
  • Praktiniai klasterizavimo projektai su Python ir interpretacija
  • Klasifikavimo ir regresijos pradžia
  • Sprendimų medžiai (Decision Trees) ir jų klasifikavimo galimybės
  • Random Forests ir jų nauda
  • Naive Bayes klasifikavimas ir jų taikymas tekstiniams duomenims

 

  • Regresijos modeliai ir jų vertinimas(4h);
  • Modelio mokymas, vertinimas ir hiperparametrų nustatymas(4h)
  • Modelio mokymo principai(4h)
  • Modelio vertinimas: tikslumas, jautrumas, specifiškumas(4h)
  • ROC ir AUC analizė(4h)
  • Hiperparametrų optimizavimas: Grid Search ir kiti metodai(4h)
  • Modelių interpretavimas ir interpretuojamųjų modelių naudojimas(4h)
  • Laiko serijos ir prognozavimas(8h)
  • Random Forests (Atsitiktinių miškų) koncepcija ir pritaikymas
  • Nesupervizuoto mokymosi algoritmai
  • Projektas: Decision Trees ir Random Forests modelio kūrimas
  • Įžanga į K-Nearest Neighbors (k-NN) ir Naive Bayes klasifikavimą
  • K-Nearest Neighbors (k-NN) algoritmo esmė ir taikymas
  • Naive Bayes klasifikavimo principai ir Bayes teoremos supratimas
  • Projektas: k-NN ir Naive Bayes modelio kūrimas
  • Regresijos analizės pagrindai ir skirtingų tipų regresija
  • Linear Regression (Linijinė regresija) ir Polynomial Regression (Polinominė regresija)
  • Projektas: Regresijos modelio kūrimas ir regresijos analizė
  • Duomenų rinkimas ir paruošimas projektui
  • Modelio kūrimas ir treniravimas(2h)
  • Modelio vertinimas ir projekto pristatymas
  • Reinforcement Learning (Reinforming Learning)
  • Q-learning algoritmas ir praktinės užduotys
  • Neuroninių tinklų pradžia ir biologinis įkvėpimas
  • Perceptronas ir tinklo architektūros
  • Perceptronas ir tinklo architektūros
  • Konvoliucijos, skaidymas ir agregavimas
  • CNN architektūros ir jų taikymas vaizdų analizėje
  • Generatyviniai dirbtinio intelekto (AI) modeliai
  • Rekurentinių neuroninių tinklų principai
  • LSTM ir GRU tinklai teksto analizei
  • RNN panaudojimas teksto ir sekų generavime
  • Projektavimo pradžia ir duomenų rinkimas
  • Modelio tikslumo (Accuracy) vertinimas
  • Modelio tikslumo ir pataikymo (Precision) vertinimas
  • Modelio atgavimo (Recall) ir F1 taškų vertinimas
  • Modelio kūrimas ir mokymas su giliais tinklais
  • Modelio vertinimas ir optimizavimas
  • Baigiamasis projektų pristatymas
  • Natūraliosios kalbos apdorojimas (NLP)
  • Teksto duomenų gavyba ir valdymas
  • Kalbos modeliai ir teksto klasifikacija
  • Teminis modeliavimas ir kalbų generavimo technikos
  • Hiperparametrų svarba ir įtaka modeliui
  • Hiperparametrų pasirinkimo strategijos
  • Hiperparametrų optimizavimas su „Grid Search“ ir „Random Search“
  • Modelio interpretavimo metodai: svarbiausių požymių nustatymas, lokalios jautrumo analizė, SHAP vertinimas
  • Hiperparametrų optimizavimas su „Grid Search“ ir „Random Search“
  • Projektavimo pradžios principai ir užduočių apibrėžimas
  • Duomenų rinkimo strategijos ir šaltiniai
  • Duomenų analizės metodologija ir duomenų valdymas
  • Mašininio mokymo modelio kūrimas ir tinklo architektūra
  • Modelio įvertinimas, atlikimo metrikos ir tobulinimas
  • Modelio pristatymo strategijos ir efektyvus komunikavimas
  • Rezultatų dokumentavimas ir analizė
  • Baigiamasis projektų pristatymas ir dokumentų ruošimas
  • Rezultatų dokumentavimas ir analizė
  • Baigiamasis projektų pristatymas ir dokumentų ruošimas
  • Temos ir projektų pasirinkimas
  • Projekto apibrėžimas, tikslai ir reikalavimai
  • Duomenų šaltinių nustatymas ir duomenų rinkimas
  • Duomenų valdymas, transformavimas ir valymas
  • Modelio struktūros projektavimas
  • Duomenų mokymo procesas ir modelio kūrimas
  • Modelio vertinimas ir hiperparametrų nustatymas
  • Teoriniai klausimai
  • Baigiamojo projekto vertinimas ir grįžtamasis ryšys
  • Karjeros perspektyvos ir rekomendacijos
  • Portfolio kūrimas
  • Pasitikėjimas savimi
  • Laiko planavimas
  • Efektyvus mokymasis
  • Imposterio sindromas
  • Grįžtamasis ryšys
  • Emocinis intelektas
  • Kritinis mąstymas
  • Prisitaikymas
  • Problemų sprendimas
  • Darbas komandoje
  • Konfliktų valdymas
  • Įvadas į dirbtinį intelektą ir jo pagrindines sąvokas
  • Pagrindinės DI sritys: Natūralios kalbos apdorojimas ir kompiuterinė rega
  • Kaip DI transformuoja įvairias pramonės šakas ir darbo vietas
  • Praktiniai DI pritaikymo pratimai
  • Patarimai, kaip integruoti DI įrankius į kasdienes darbo užduotis
  • Sėkmingų DI integracijos atvejų analizės
  • Etiniai DI aspektai ir atsakingas naudojimas
  • Dirbtinio intelekto istorija ir evoliucija
  • Papildomi šaltiniai ir kurso apibendrinimas
Registracija į šiuos mokymus

Registracija konsultacijai

Kodėl verta mokytis pas mus?

Emocinio intelekto lavinimas

Į visas mokymų programas įtraukėme modulį apie darbą su savimi, komandoje ir grįžtamąjį ryšį. Geri minkštieji įgūdžiai yra ypatingai reikalingi IT srityje.

Oficialus sertifikatas

Po mokymų įteikiamas tarptautinis Švietimo ir Mokslo registro patvirtintas sertifikatas.

Kurso kartojimas

Galimybė 12 mėn. po kurso baigimo NEMOKAMAI kartoti kursą.

ALUMNI bendruomenė

Stipri ALUMNI bendruomenė pabaigus mokymus. Darbo pasiūlymai, renginiai, bendraminčiai ir naudinga informacija tik mokyklos absolventams.

Paskaitų įrašai

Turėsite galimybę gauti paskaitų įrašus, jei praleidote paskaitą ar norite pasikartoti.

Karjeros konsultacija ir koučingas

Po mokymų stipriems ir motyvuotiems studentams suteikiame kokybišką ir profesionalią pagalbą, kuri padės pasiekti išsikeltą tikslą - pradėti savo karjerą IT srityje.

1:1 STUDIJOS su lektoriumi

Galite rinktis 1:1 kontaktines valandas ir studijuoti pagal individualų tvarkaraštį tiesiogiai su lektoriumi.

Vilnius Coding School SERTIFIKATAS
stiprus įrodymas, jog esi pasiruošęs karjerai IT!
sertifikatas

green tick Oficialus Švietimo ir Mokslo registro patvirtintas sertifikatas

green tick Atpažįstamas stipriausių įmonių Lietuvoje ir užsienyje

green tick Patikimas gautų įgūdžių įrodymas

green tick Sertifikatas patvirtina, kad dalyvavote ne mažiau 95% kurso paskaitų, atlikote ir apsigynėte baigiamąjį darbą.

Lankstus atsiskaitymas

Populiariausi būdai

Kursuok.lt finansavimas:

Registruokis per kursuok.lt platformą ir gauk 500 eurų finansavimą mokymams..

100% Užimtumo Tarnybos finansavimas:

100% finansavimas dirbantiems ir nedirbantiems asmenims.

mosaic

Mokant sumą dalimis be pabrangimo:

Galite išskaidyti sumą į 2-4 dalis be pabrangimo.

discount

Mokant visą sumą iškart:

Už mokymus galite sumokėti visą sumą iš karto ir gauti nuolaidą.

Nuolaida netaikoma e-mokymams.

leasing

Išsimokėtinai su GENERAL FINANCING BANKU

Mokėjimo terminas iki 84 mėn.

Nuolaidų sistema

Įprasta mokymų kaina 3950 €

MOKANT VISĄ SUMĄ IŠKART
taikome 10% nuolaidą!

3555

(Pilna kaina 3950 €)

Taikoma, jei sumokate visą sumą išankstinės registracijos metu

ALUMNI
taikome 15% nuolaidą!

3358

(Pilna kaina 3950 €)

Taikoma visiems mokyklos absolventams visiems mokymams bei savaitgalio dirbtuvėms- workshop’ams

REKOMENDUOJATE MUS DRAUGUI
taikome 10% nuolaidą!

3555

(Pilna kaina 3950 €)

Taikoma, jei mokytis atvykstate dviese

* Nuolaidos nėra sumuojamos
** Nuolaida mokant visą sumą iš karto netaikoma E-mokymams

Įsidarbinimo sėkmės istorijos

Edgaras

MokėsiDuomenų analitiką
Sandėlio vadovoĮABC Nordic (Aluflam Extrusion)

Prieš keisdamas karjerą, dešimtmetį sandėlio vadovu dirbęs Edgaras duomenų analizę laikė tiesiog hobiu. 📈📚 „Duomenų analizavimas bei tvarkymas – savo mintyse bei kompiuteryje – visada buvo užsiėmimas, kuris suteikdavo ramybės ir atsipalaidavimo. Nusprendęs persikvalifikuoti, mokymų …

Edgaras Skaityti

Rokas

MokėsiIlgieji Javascript “Full-stack” mokymai
pardavimų vadybininkoĮfull-stack programuotoją

Iš pardavimų vadybininko į full-stack programuotoją – tokį įspūdingą karjeros virsmą išgyveno Rokas. 💻 „Jaučiau, kad mano sugebėjimai daug geriau pasiteisintų kitoje karjeroje – programavime. Jis reikalauja kūrybos, loginio mąstymo ir planavimo – spręsti problemas …

Rokas Skaityti

Justina

MokėsiDuomenų analitika: SQL, Power Bi + dirbtinis intelektas (AI) mokymai
analitikėsĮlabiau patyrusią analitikę

Kredito rizikų analitikė Justina į Vilnius Coding School atėjo Excel’į iškeisti į SQL, Python ir Power BI. „Po ilgo darbo vietoje, kur pagrindinis įrankis buvo Excel’is, supratau, kad noriu išmokti dirbti su naujomis, aktualiomis šių …

Justina Skaityti

Lina

Mokėsiautomatinio testavimo mokymus
projektų vadovėsĮkokybės užtikrinimo automatikos inžinierę

Apsilankėme svečiuose pas bičiulius „Vention“, kurių gretose jau beveik metus sėkmingai dirba mūsų automatinio testavimo mokymų alumnė Lina. Buvusi projektų vadovė pasidalino savo asmenine mokymų patirtimi, motyvu persikvalifikuoti, karjeros keitimo proceso eiga bei kilusiais iššūkiais …

Lina Skaityti

VILNIUS CODING SCHOOL

Žalgirio g. 90,
A korpusas, 2 aukštas,
Vilnius

Mokymų klausimais susisiekite:
[email protected]

Bendradarbiavimo ir kitais klausimais susisiekite:
[email protected]
+370 606 75071

REKVIZITAI

UAB „UAB Vilnius Coding School“
Įmonės kodas: 304299909
Adresas: Žalgirio g. 90, Vilnius
Buv. adresas: Žalgirio g. 90
A.s. Nr.: LT087044060008107796
AB SEB bankas, banko kodas: 70440
Tel.:  +370 606 75071
El. paštas: [email protected]