- Регистрация
- 24.09.2021
- Сообщения
- 38 398
Программа 30+ онлайн-уроков, более 65 часов обучающего контента и практика после каждого занятия Длительность: 5 месяцев. Модуль 1. Теория вероятностей и математическая статистика Модуль 2. Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn Модуль 3. Библиотеки Python для Data Science: продолжение Модуль 4. Алгоритмы анализа данных Модуль 5. Системы машинного обучения в Production Почему стоит изучить машинное обучение? За два года спрос на Data Scientist-ов вырос в два раза*. С помощью методов машинного обучения они строят прогнозы и повышают эффективность бизнес-процессов в любой отрасли. Получите востребованную профессию и зарабатывайте от 100 000 рублей в месяц. Что полезного в курсе? Много практики Вы решите пять проектных задач с применением ML: предсказание цены на недвижимость, модель кредитного скоринга и другие. Живые занятия В курсе 90% вебинаров с преподавателями. Материалы После занятий у вас останутся записи, методические материалы и готовый код, доступные в любое время. Кому точно стоит участвовать - Начинающим Data Scientist-ам Систематизируете и углубите знания, пообщаетесь с экспертами и пополните резюме практическими проектами - Аналитикам Сможете не ограничиваться базовой аналитикой и внедрять модели Machine Learning, прогнозирующие различные показатели - Разработчикам Перейдете в сферу Data Science, повысите уровень дохода и будете решать интересные задачи Математикам Примените знания к новым задачам и освоите востребованную профессию Программа 30+ онлайн-уроков, более 65 часов обучающего контента и практика после каждого занятия Программа Теория вероятностей и математическая статистика Случайные события. Условная вероятность. Формула Байеса. Независимые испытания Дискретные случайные величины. Закон распределения вероятностей. Биномиальный закон распределения. Распределение Пуассона Описательная статистика. Качественные и количественные характеристики популяции. Графическое представление данных Непрерывные случайные величины. Функция распределения и плотность распределения вероятностей. Равномерное и нормальное распределение. Центральная предельная теорема Проверка статистических гипотез. P-значения. Доверительные интервалы. A/B-тестирование Взаимосвязь величин. Параметрические и непараметрические показатели корреляции. Корреляционный анализ Многомерный статистический анализ. Линейная регрессия Дисперсионный анализ. Логистическая регрессия Курсовой проект Разведочный анализ данных (EDA) на основе выбранного датасета: визуализация, корреляционный, дисперсионный и факторный анализ Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn Введение в курс. Вебинар Вычисления с помощью Numpy. Работа с данными в Pandas. Видеоурок Вычисления с помощью Numpy. Работа с данными в Pandas. Вебинар Визуализация данных в Matplotlib. Видеоурок Визуализация данных в Matplotlib. Вебинар Обучение с учителем в Scikit-learn. Видеоурок Обучение с учителем в Scikit-learn. Вебинар Обучение без учителя в Scikit-learn. Видеоурок Обучение без учителя в Scikit-learn и введение в итоговый проект. Вебинар Консультация по итоговому проекту. Вебинар Курсовой проект Соревнование на платформе Kaggle по предсказанию цены на недвижимость, решение задачи регрессии Библиотеки Python для Data Science: продолжение Введение в задачу классификации. Постановка задачи и подготовка данных Анализ данных и проверка статистических гипотез Построение модели классификации Оценка и интерпретация полученной модели. Обсуждение курсового проекта Курсовой проект Соревнование на платформе Kaggle по кредитному скорингу, решение задачи классификации Алгоритмы анализа данных Алгоритм линейной регрессии. Градиентный спуск Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск Логистическая регрессия. Log Loss Алгоритм построения дерева решений Случайный лес Градиентный бустинг (AdaBoost) Классификация с помощью KNN. Кластеризация K-means Снижение размерности данных Курсовой проект Участие в одном или двух соревнованиях на Kaggle: предсказать средний балл на экзамене по математике, который получают ученики репетиторов (задача регрессии); предсказать, подойдет ли репетитор для подготовки к экзамену по математике (задача классификации) Системы машинного обучения в Production Введение в задачу предсказания оттока. Формализация задачи и сбор сырых данных Загрузка данных и построение обучающей выборки. Анализ и предобработка датасета. Балансировка классов Выбор и обучение модели на отобранных признаках. Сравнение качества и оценка модели Оценка потенциального влияния на бизнес. Масштабирование решения Подготовка к продакшену. Планировщик задач и перенос проекта из Jupyter в PyCharm Курсовой проект Оценка потенциального влияния на бизнес ML-решения, построение модели оттока клиентов в игровых проектах и подготовка кода для Production в PyCharm 
|
