Машинное обучение и анализ данных на Python [2020]
Фоксфорд
Николай Осипов
На этом курсе мы погрузимся в одну из самых развивающихся, обсуждаемых и востребованных на рынке труда сфер - это Data Science (или Наука о Данных).
Сначала мы научимся самостоятельно работать с данными и анализировать их на языке Python, а потом научим компьютеры решать задачи за нас. Помимо изучения теории и выполнения домашних заданий, мы будем участвовать в соревнованиях по машинному обучению на платформе Kaggle.
Кому будет полезен курс:
Курс будет полезен тем, кто уже изучал основы программирования и хочет расширить область своих знаний, окунуться в Data Science, понять, что такое нейронные сети и искусственный интеллект.Какие знания даёт курс:
Уверенное знание Python и основных библиотек для DS, умение работать с алгоритмами машинного обучения для задач классификации и регрессии, практический опыт участия в соревнованиях по данной тематике.
Спойлер: Содержание
Блок 1 - Основы Python (повторение, краткий обзор)
Основные управляющие конструкции Python
Функции
Списки
Объектно-ориентированное программирование
Блок 2 - Знакомство с библиотеками для Data Science
Numpy
Matplotlib
Random
Pandas
Seaborn
Sklearn
Блок 3 - Введение в машинное обучение
Основы линейной алгебры. Библиотека scipy. Функции потерь
Алгоритмы линейной регрессии и классификации
Настройка моделей: переобучение, регуляризация, подбор гиперпараметров, метрики качества
Случайные деревья
Композиции алгоритмов: бэггинг и случайный лес
Соревнования на kaggle
Обучение без учителя: кластеризация, понижение размерности
Блок 4 - Анализ данных на практике
Доверительные интервалы, проверка гипотез
А/B - тестирование
Статистические критерии
Поиск закономерностей и зависимостей в данных
Прогнозирование временных рядов
Соревнования на kaggle
Блок 5 - Глубокое обучение
Введение в нейронные сети. Задачи DL и AI
Построение многослойного перцептрона
Производная и градиент. Методы градиентного спуска
Настройка нейронных сетей: подбор гиперпараметров, софтмакс, разбиение на батчи
Знакомство с фреймворком pytorch
Основы сверточных нейронных сетей
Архитектуры CNN. Трансфер-лернинг
Задачи компьютерного зрения: сегментация и детекция изображений
Избранные задачи NLP. Соревнования на kaggle
Создание искусственных данных с помощью GAN
Путь Data Scientist’а
Фоксфорд
Николай Осипов
На этом курсе мы погрузимся в одну из самых развивающихся, обсуждаемых и востребованных на рынке труда сфер - это Data Science (или Наука о Данных).
Сначала мы научимся самостоятельно работать с данными и анализировать их на языке Python, а потом научим компьютеры решать задачи за нас. Помимо изучения теории и выполнения домашних заданий, мы будем участвовать в соревнованиях по машинному обучению на платформе Kaggle.
Кому будет полезен курс:
Курс будет полезен тем, кто уже изучал основы программирования и хочет расширить область своих знаний, окунуться в Data Science, понять, что такое нейронные сети и искусственный интеллект.Какие знания даёт курс:
Уверенное знание Python и основных библиотек для DS, умение работать с алгоритмами машинного обучения для задач классификации и регрессии, практический опыт участия в соревнованиях по данной тематике.
Спойлер: Содержание
Блок 1 - Основы Python (повторение, краткий обзор)
Основные управляющие конструкции Python
Функции
Списки
Объектно-ориентированное программирование
Блок 2 - Знакомство с библиотеками для Data Science
Numpy
Matplotlib
Random
Pandas
Seaborn
Sklearn
Блок 3 - Введение в машинное обучение
Основы линейной алгебры. Библиотека scipy. Функции потерь
Алгоритмы линейной регрессии и классификации
Настройка моделей: переобучение, регуляризация, подбор гиперпараметров, метрики качества
Случайные деревья
Композиции алгоритмов: бэггинг и случайный лес
Соревнования на kaggle
Обучение без учителя: кластеризация, понижение размерности
Блок 4 - Анализ данных на практике
Доверительные интервалы, проверка гипотез
А/B - тестирование
Статистические критерии
Поиск закономерностей и зависимостей в данных
Прогнозирование временных рядов
Соревнования на kaggle
Блок 5 - Глубокое обучение
Введение в нейронные сети. Задачи DL и AI
Построение многослойного перцептрона
Производная и градиент. Методы градиентного спуска
Настройка нейронных сетей: подбор гиперпараметров, софтмакс, разбиение на батчи
Знакомство с фреймворком pytorch
Основы сверточных нейронных сетей
Архитектуры CNN. Трансфер-лернинг
Задачи компьютерного зрения: сегментация и детекция изображений
Избранные задачи NLP. Соревнования на kaggle
Создание искусственных данных с помощью GAN
Путь Data Scientist’а
