[GeekBrains] Машинное обучение. Часть 5/5

[admin]

[GeekBrains] Машинное обучение. Часть 5/5Часть 1 | Часть 2 | Часть 3 | Часть 4


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





Программа курса подробно
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


Цена: 48.000руб
Продажник: machinelearning.geekbrains.ru/