Это курс об автоматизации. Вы узнаете, как научить компьютеры «думать» самостоятельно. Мы поможем уверенно стартовать в карьере в ML: вы сможете сделать итоговый проект на реальных данных. 30% теории. 70% практики. Вы научитесь: 1. Анализировать и визуализировать большие объемы данных 2. Сводить бизнес-задачу в задачу машинного обучения 3. Работать с данными разных типов Какими проектами может заниматься специалист по машинному обучению: 1. Создаст умный поиск, который поймет пользователя с полуслова и точно найдет то, что просит человек 2. Разработает алгоритм для персонифици-рованной рекламы в социальных сетях: чтобы клиенты точно нажали на рекламный баннер, который на 100% попадает в их сердечко 3. Придумает умного бота для общения с клиентами — «Алису 2.0» или голосового помощника «Игоря» 4. Получит информацию из данных компании и сможет предложить на их основе рабочую гипотезу для увеличения прибыли компании Кому рекомендуем курс: 1. Разработчикам, работающим в кросс-функциональных командах вместе с Data Scientist’ами На курсе мы даем специфику разработки ML-моделей, а с этими знаниями общаться с коллегами получается эффективнее и продуктивнее. Вы сможете внедрять новые решения и быть уверенными в том, что принесете прибыль проекту. 2. Software Engineer, Data Engineer, DevOps Engineer на уровне Middle Вы сможете перейти в смежную профессиональную область и начать выполнять другие рабочие задачи. Ваш бэкграунд в дата-направлении поможет быстро перейти от уровня Junior Data Scientist до статуса продвинутого специалиста. 3. Уже знакомы с Python и хотите освоить новое рабочее направление Data Scientist используют в своей работе библиотеки Python. Так что ваши умения пригодятся вам при переходе в новое направление. Знания линейной алгебры, теории вероятностей и математической статистики будет плюсом. На курсе мы разбираем: 1. Основные алгоритмы и понятия классического машинного обучения 2. Применение машинного обучения в бизнес-задачах 3. Базовые подходы для построения нейронных сетей, фреймворк PyTorch для написаний нейронных сетей 4. Основные библиотеки для анализа данных: numpy, scipy, pandas, matplotlib Какие инструменты освоите: 1. Библиотеки
Pandas
Numpy
Matplotlib
Scikit-learn
Xgboost
Lightgbm
Catboost
Hyperopt
2. 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 доп. модулю + защита проектов
Скачать Иван Аникин, Владимир Бугаевский, Слёрм — Data Scientist (2024) слив курса.
Текущее время: Сегодня 05:57
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы
