Доступна [Stepik] Практический Machine Learning [Елена Кантонистова, Евгений Паточенко]

[asd]

[Stepik] Практический Machine Learning [Елена Кантонистова, Евгений Паточенко]

Чему вы научитесь
Изучите классические и современные алгоритмы машинного обучения
Повторите или освоите математические подходы, необходимые для анализа данных

О курсе
После прохождения курса вы сможете полностью решать классические задачи анализа данных: начиная от сбора и хранения данных и заканчивая внедрением обученных моделей в продакшн.

Для кого этот курс
Курс предназначен для тех, кто интересуется машинном обучением в его современном состоянии, а также не хочет ограничиваться только анализом данных.

Начальные требования
Для прохождения курса необходимы базовые знания Python и высшей математики.

Спойлер: Программа курса

Организация курса
О курсе
Инструменты
Платформа Kaggle
Глоссарий
Тест по Python

Знакомство с машинным обучением
Введение
Основные понятия машинного обучения
Типы задач в машинном обучении
Схема проекта по машинному обучению
Оценка обобщающей способности модели
Разведочный анализ данных
Домашнее задание - 1

Линейные модели регрессии
Основы линейной регрессии
Регуляризация
Практические особенности линейной регрессии
Feature engineering
Метрики качества регрессии
Домашнее задание - 2

Градиентный спуск
Градиентный спуск для функции одной переменной
Градиентный спуск в общем случае
Стохастический градиентный спуск
Домашнее задание - 3

Линейные модели классификации - 1
Переход от регрессии к классификации
Задача оценивания вероятностей, логистическая регрессия
Базовые метрики классификации
Домашнее задание - 4

Обработка признаков
Работа с пропущенными значениями
Нормализация данных
Кодирование категориальных признаков
Домашнее задание - 5

Линейные модели классификации - 2
Метод опорных векторов
Ядровой метод опорных векторов
Продвинутые (интегральные) метрики классификации
Домашнее задание - 6

Многоклассовая классификация
Многоклассовая и multilabel-классификация
Метод ближайших соседей
Быстрый поиск соседей
Домашнее задание - 7

Промежуточное тестирование
Тестирование
Базовый уровень
Средний уровень
Продвинутый уровень

Решающие деревья
Решающее дерево. Введение
Обучение решающих деревьев
Тонкости решающих деревьев
Домашнее задание - 8

Композиции решающих деревьев
Разложение ошибки на смещение и разброс
Бэггинг. Случайный лес
Бустинг. Градиентный бустинг над решающими деревьями
Домашнее задание - 9

Модификация бустинга и ускорение обучения
XGBoost
CatBoost
LightGBM
Optuna
Домашнее задание - 10

Пайплан ML-модели
Постановка задачи и разведочный анализ данных
Построение базового решения и его первые улучшения
Дальнейшие улучшения решения
Получение предсказания и интерпретация результатов
Соревнование

Снижение размерности данных
Методы отбора признаков
Метод главных компонент
Другие способы снижения размерности
Методы визуализации данных
Домашнее задание - 11

Кластеризация данных
K-means
Иерархическая кластеризация
DBSCAN, HDBSCAN
Метрики качества кластеризации
Графовая кластеризация
Домашнее задание - 12

Итоговое тестирование
Тестирование
Базовый уровень
Средний уровень
Продвинутый уровень

Финальное задание
Условие задачи
Проверка проекта (первая часть)
Проверка проекта (вторая часть)
Что дальше?

Дополнительные материалы
Онлайн-встречи
Полезные ссылки

Стоимость: 3900 руб.

Продажник

Донор

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.

 

[asd]

.

 

[asd]

Сборы 20.05