- 20 Фев 2019
- 28,838
- 1,188,324
- #1
Голосов: 0
Описание [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024):
Этот курс посвящен автоматизации и научит вас, как заставить компьютеры «думать» самостоятельно.
Мы поможем вам уверенно начать карьеру в области машинного обучения (ML) и завершить итоговый проект на реальных данных. Программа включает 30% теоретических знаний и 70% практических занятий.
Вы освоите:
- Анализ и визуализацию больших объемов данных.
- Превращение бизнес-задач в задачи машинного обучения.
- Работу с различными типами данных.
- Создание умного поиска, который понимает пользователя с полуслова и точно находит нужные результаты.
- Разработка алгоритма для персонализированной рекламы в социальных сетях, чтобы клиенты нажимали на баннеры, которые им действительно нравятся.
- Создание умных ботов для общения с клиентами, таких как «Алиса 2.0» или голосовой помощник «Игорь».
- Анализ данных компании и предложение рабочих гипотез для увеличения прибыли.
- Разработчикам, работающим в кросс-функциональных командах с Data Scientist’ами. Вы получите знания о специфике разработки ML-моделей, что сделает ваше взаимодействие с коллегами более эффективным. Сможете внедрять новые решения и быть уверенными в их пользе для проекта.
- Инженерам программного обеспечения, инженерам по данным и DevOps инженерам среднего уровня. Вы сможете перейти в смежную профессиональную область и выполнять новые задачи. Ваш опыт в данных поможет быстро перейти от уровня Junior Data Scientist до продвинутого специалиста.
- Тем, кто уже знаком с Python и хочет освоить новое направление. Знание библиотек Python пригодится в работе Data Scientist’а. Ваши навыки линейной алгебры, теории вероятностей и математической статистики будут большим плюсом.
- Основные алгоритмы и концепции классического машинного обучения.
- Применение машинного обучения в бизнес-задачах.
- Базовые подходы к построению нейронных сетей и фреймворк PyTorch для создания нейронных сетей.
- Основные библиотеки для анализа данных: Pandas, Numpy, Matplotlib, Scikit-learn, Xgboost, Lightgbm, Catboost, Hyperopt.
- Библиотеки: Pandas, Numpy, Matplotlib, Scikit-learn, Xgboost, Lightgbm, Catboost, Hyperopt.
- Алгоритмы: KNN, Linear Regression, Logistic Regression, Clusterization, Decision Tree, Gradient Boosting.
- Модуль 0 - Установочная сессия
- Модуль 1 - Введение. Определение ML
- Модуль 2 - Анализ данных как первый шаг к ML/DS
- Модуль 3 - Постановка задачи машинного обучения на примере KNN
- Встреча по темам 1-3
- Модуль 4 - Валидация модели и подготовка данных
- Модуль 5 - Обучение с учителем — регрессия
- Модуль 6 - Обучение с учителем — классификация
- Встреча по темам 4-6
- Модуль 7 - Деревья решений
- Модуль 8 - Обучение без учителя
- Модуль 9 - Оптимизация ML-пайплайна
- Встреча по темам 7-9 + объяснения итогового проекта
- Модуль 10 - Итоговый проект
- Модуль 11 - Введение в глубокое обучение (DL + CV)
- Модуль 12 - Введение в обработку текстов (NLP)
- Модуль 13 - Введение в рекомендательные системы (RecSys)
- Модуль 14 - Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал
- Модуль 15 - Проект
- Встреча по дополнительному модулю + защита проектов
Для просмотра содержимого вам необходимо авторизоваться
Скачать курс [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024):
Для просмотра содержимого вам необходимо авторизоваться