знати мови програмування Python і R, алгоритми і структури даних, реляційні та нереляційні бази даних, об'єктноорієнтоване програмування, функційне програмування, тестування, найкращі практики програмування тощо;
отримати бібліотеки jupyter, numpy, pandas, scipy, scikit-learn, keras, matplotlib, seaborn, statistics та інші пакети та програмні каркаси;
розуміти поняття: вибірка, дисперсія, розподіл, кореляція, p-значення, t-критерій Ст’юдента, трансформація даних та багато інших понять зі статистики та аналізу даних;
використовувати міжгалузевий стандартний процес дослідження даних, методи машинного навчання, глибинне навчання, методи комп’ютерного зору, обробки природної мови, нейронні мережі, налаштування гіперпараметрів моделі, підбір цільової функції та метрики для оцінювання результату, методи аналізу часових рядів (зокрема інтегровану модель авторегресії ковзного середнього), інші методи машинного навчання;
розуміти методи й алгоритми обчислювального інтелекту та інтелектуального аналізу даних в задачах класифікації, прогнозування, кластерного аналізу, пошуку асоціативних правил з використанням програмних інструментів підтримки багатовимірного аналізу даних на основі технологій DataMining, TextMining, WebMining;
візуалізувати дані, досліджувати найкращі практики, опубліковані на arxiv.org, змагання Kaggle, вебсервіси від Амазон, Гугл та багато іншого;
