Программирование [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024)

Бывалый
Команда форума
20 Фев 2019
28,838
1,188,324
1735300977099.png


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.
Проекты, которыми может заниматься специалист по машинному обучению:

  • 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.
Кому рекомендован курс:

  • 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.
В рамках курса мы изучим:

  • 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.
Инструменты, которые вы освоите:

  • Библиотеки: Pandas, Numpy, Matplotlib, Scikit-learn, Xgboost, Lightgbm, Catboost, Hyperopt.
  • Алгоритмы: KNN, Linear Regression, Logistic Regression, Clusterization, Decision Tree, Gradient Boosting.
Программа курса:

  • 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
Подробнее:
Для просмотра содержимого вам необходимо авторизоваться

Скачать курс [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024):


Для просмотра содержимого вам необходимо авторизоваться