Курс Machine learning (машинное обучение) – базовый

Видеозаписи лекций без обратной связи и участия преподавателя. Вы получите доступ к материалам сразу после оплаты.

Что даст вам этот курс

Мы последовательно познакомимся с современными методами анализа данных. Курс позволит не просто поверхностно изучить принципы работы алгоритмов машинного обучения, а на профессиональном уровне освоить и применять в работе все этапы работы с данными, понимая, как, когда и зачем они используются.

Проекты для портфолио

В процессе обучения студенты разработают несколько мощных проектов для портфолио, которые обязательно оценят потенциальные работодатели, и научатся грамотно презентовать результаты своих работ.

Дополнительные преимущества

В программу также входит изучение редких и важных тем, которые обычно упускаются из внимания других курсов, но очень ценятся работодателями:
— построение систем для автоматического поиска аномалий;
— Machine Learning для прогнозирования временных рядов;
— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production
— Подготовка к соревнованиям на Kaggle

Для кого этот курс

Профессиональная программа разработана специально для разработчиков и аналитиков, которые хотят значительно расширить свои возможности и получить необходимый набор знаний и навыков для смены своей профессии.

Необходимые знания

Для прохождения программы необходимы:
— навыки программирования на Python (опыт написания собственных функций),
— знания математического анализа (вычисление производных сложных функций),
— знания линейной алгебры (матричные операции и собственные вектора),
— знания теории вероятностей и мат. статистики (понимание дисперсии, мат. ожидания, нормального закона распределения).

Чтобы подготовиться к этому курсу вы можете изучить материалы, некоторые из которых есть на нашем сайте

Основные возможности языка Python
Django
Библиотеки для анализа данных

Программа обучения

В процессе обучения вы получите комплексные знания и навыки.

Модуль 1

Основные методы машинного обучения

Тема 1. Введение в машинное обучение
Тема 2. Базовые инструменты анализа данных в Python
Тема 3. Exploratory Data Analysis and Preprocessing
Тема 4. Задача классификации. Метод ближайших соседей (kNN)
Тема 5. Задача регрессии. Линейная регрессия
Тема 6. Логистическая регрессия
Тема 7. Feature engineering & advanced preprocessing
Тема 8. АБ тестирование
Тема 9. Практическое занятие по темам, изученным в первом модуле

Модуль 2

Продвинутые методы машинного обучения

Тема 10. Python для ML: пайплайны, ускорение pandas, мультипроцессинг
Тема 11. Метод опорных векторов
Тема 12. Деревья решений
Тема 13. Ансамбли моделей
Тема 14. Градиентный бустинг
Тема 15. Обучение без учителя. K-means, EM алгоритм
Тема 16. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 17. Методы уменьшения размерности
Тема 18. Поиск аномалий в данных
Тема 19. Алгоритмы на графах

Модуль 3

Сбор данных. Анализ текстовых данных.

Тема 20. Сбор данных
Тема 21. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 22. Анализ текстовых данных. Часть 2: Тематическое моделирование
Тема 23. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 24. Анализ текстовых данных. Часть 4: Векторные представления слов, работа с предобученными эмбеддингами

Модуль 4

Анализ Временных рядов

Тема 25. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 26. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 27. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)

Модуль 5

Рекомендательные системы

Тема 28. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 29. Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 30. Рекомендательные системы. Часть 3: Implicit feedback (извлекаем предпочтения из поведения пользователя)
Тема 31. Практическое занятие по рекомендательным системам. Surpsise

Модуль 6

Подготовка к соревнованиям Kaggle

Тема 32. Тренировка по ML №1
Тема 33. Тренировка по ML №2

Модуль 7

роектная работа

Тема 34. Консультация по проектам и домашним заданиям
Тема 35. Бонус: поиск Data Science работы