Robot
Складчик
- #1
[otus] Machine Learning. Professional [Мария Тихонова]
- Ссылка на картинку
Научитесь работать с важнейшими моделями машинного обучения на практике с реальными данными.
Курс для людей со знанием высшей математики и знакомых с Python. Подготовка к соревнованиям на Kaggle.
Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену.
Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.
Для кого этот курс?
Программа:
Модуль 1 Продвинутые методы машинного обучения
C 27 сентября
Тема 1. Вводный урок. Программа курса. Повторение основных концепций машинного обучения
Тема 2. Повторение основных понятий задачи классификации на практике: EDA, cross-validation, метрики качества
Тема 3. Деревья решений
Тема 4. Ансамбли моделей
Тема 5. Градиентный бустинг
Тема 6. Метод опорных векторов
Тема 7. Методы уменьшения размерности
Тема 8. Обучение без учителя. K-means
Тема 9. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 10. Поиск аномалий в данных
Тема 11. Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 12. Алгоритмы на графах
Модуль 2 Сбор данных. Анализ текстовых данных
C 18 ноября
Тема 13. Сбор данных
Тема 14. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 15. Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами
Тема 16. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 17. Анализ текстовых данных. Часть 4: Тематическое моделирование
Тема 18. Q&A + бонусная практика по трансформерам
Модуль 3 Анализ временных рядов
C 16 декабря
Тема 19. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 20. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 21. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
Модуль 4 Рекомендательные системы
C 27 декабря
Тема 22. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 23. Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 24. Рекомендательные системы. Часть 3: Implicit feedback (извлекаем предпочтения из поведения пользователя)
Тема 25. Практическое занятие по рекомендательным системам. Surpsise
Тема 26. Q&A
Модуль 5 Дополнительные темы
C 20 января
Тема 27. Введение в Deep Learning №1
Тема 28. Введение в Deep Learning №2
Тема 29. ML в Apache Spark
Тема 30. Поиск Data Science работы
Курс для людей со знанием высшей математики и знакомых с Python. Подготовка к соревнованиям на Kaggle.
Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену.
Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.
Для кого этот курс?
- Для начинающих аналитиков и Data Scientist’s. Курс поможет вам систематизировать и углубить свои знания. Вы сможете поэкспериментировать с подходами, разобрать рабочие кейсы и получить качественную обратную связь от экспертов.
- Для разработчиков и специалистов других направлений, желающих сменить профессию и развиваться в области Data Science. Курс даст вам возможность собрать сильное портфолио и погрузиться в атмосферу реальных задач дата сайентиста.
Программа:
Модуль 1 Продвинутые методы машинного обучения
C 27 сентября
Тема 1. Вводный урок. Программа курса. Повторение основных концепций машинного обучения
Тема 2. Повторение основных понятий задачи классификации на практике: EDA, cross-validation, метрики качества
Тема 3. Деревья решений
Тема 4. Ансамбли моделей
Тема 5. Градиентный бустинг
Тема 6. Метод опорных векторов
Тема 7. Методы уменьшения размерности
Тема 8. Обучение без учителя. K-means
Тема 9. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 10. Поиск аномалий в данных
Тема 11. Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 12. Алгоритмы на графах
Модуль 2 Сбор данных. Анализ текстовых данных
C 18 ноября
Тема 13. Сбор данных
Тема 14. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 15. Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами
Тема 16. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 17. Анализ текстовых данных. Часть 4: Тематическое моделирование
Тема 18. Q&A + бонусная практика по трансформерам
Модуль 3 Анализ временных рядов
C 16 декабря
Тема 19. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 20. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 21. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
Модуль 4 Рекомендательные системы
C 27 декабря
Тема 22. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 23. Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 24. Рекомендательные системы. Часть 3: Implicit feedback (извлекаем предпочтения из поведения пользователя)
Тема 25. Практическое занятие по рекомендательным системам. Surpsise
Тема 26. Q&A
Модуль 5 Дополнительные темы
C 20 января
Тема 27. Введение в Deep Learning №1
Тема 28. Введение в Deep Learning №2
Тема 29. ML в Apache Spark
Тема 30. Поиск Data Science работы
Показать больше