Когда только начинал, составил себе RoadMap для Junior Data scientist на основе программ курсов и вакансий

🐍Python: - Основы языка (переменные; операции; типы данных; операторы; условия; циклы; функции) - ООП (классы; объекты; принципы ООП; магические методы) - Библиотеки для анализа данных (pandas; numpy; matplotlib; seaborn; scikit-learn)

🗄️SQL: - Основы реляционных БД (таблицы; строки; столбцы; ключи; типы данных) - Базовые операторы (SELECT; INSERT; UPDATE; FROM; WHERE; ORDER BY) - Агрегатные функции и группировка (GROUP BY; HAVING; COUNT; SUM; AVG и другие) Объединение данных (JOIN’ы; объединение запросов UNION) - Подзапросы - Оконные функции

🪾Git: - Основные команды для работы с индексом и коммитами - Команды для просмотра информации об изменениях и состояниях - Команды для работы с ветками - Команды для промежуточного сохранения работы - Команды для работы с репозиторием (скопировать; запушить)

➡️Линейная алгебра: Векторы и операции с ними (сложение; вычитание; умножение на скаляр; норма вектора; скалярное произведение векторов; проекция вектора; ортогональное разложение) Матрицы и операции с ними (сложение; вычитание; умножение на скаляр; умножение на вектор и матрицу; транспонирование) Линейные комбинации, линейная независимость, пространства матриц (столбцовое; строчное; нуль-пространство) Определитель матрицы и ранг матрицы Системы линейных уравнений, обратная матрица и методы её нахождения Разложения матриц (QR; LU; собственное разложение; сингулярное разложение)

➕Математический анализ: Пределы; Производные; Градиент; Интегралы.

📊Математическая статистика и 🎲теория вероятностей: Основы (множества и операции с ними; факториалы; комбинаторика; определения вероятности) Основные теоремы (сложение и умножение вероятностей; условная вероятность; независимость событий; формула Байеса) Случайные величины (понятие случайной величины; функция вероятности; плотность распределения; функция распределения) Числовые характеристики (математическое ожидание; дисперсия и стандартное отклонение) Основные законы распределения для дискретных значений (Бернулли; Биномиальное; Пуассона) Основные законы распределения для непрерывных значений (равномерное; нормальное; экспоненциальное) Зависимости (ковариация; корреляция Пирсона/Спирмена) Центральная предельная теорема Введение в статистику(описательная статистика; доверительные интервалы; проверка статистических гипотез; A/B)

🤖Алгоритмы ML: Типы обучения (с учителем, без учителя, с подкреплением) Обучение с учителем (классификация, регрессия, где используется, алгоритмы) Обучение без учителя (кластеризация, понижение размерности, где используется, алгоритмы) Обучение с подкреплением (основы для понимания)

Roadmap не претендует на полноту, поэтому напишите в комменты, если чего-нибудь не хватает или наоборот в избытке.