Курс Machine learning (машинное обучение) — базовый

Мова викладання в курсі — російська. Незабаром буде доступна українська версія цього курсу.

Відеозаписи лекцій без зворотного зв'язку та участі викладача. Ви отримаєте доступ до матеріалів одразу після оплати.

Що дасть вам цей курс

Ми послідовно познайомимося з сучасними методами аналізу даних. Курс дасть змогу не просто поверхнево вивчити принципи роботи алгоритмів машинного навчання, а на професійному рівні освоїти і застосовувати в роботі всі етапи роботи з даними, розуміючи, як, коли і навіщо вони використовуються.

Проекти для портфоліо

У процесі навчання студенти розроблять кілька потужних проєктів для портфоліо, які обов'язково оцінять потенційні роботодавці, і навчаться грамотно презентувати результати своїх робіт.

Додаткові переваги

У програму також входить вивчення рідкісних і важливих тем, які зазвичай не беруться до уваги на інших курсах, але дуже цінуються роботодавцями:
- побудова систем для автоматичного пошуку аномалій;
- Machine Learning для прогнозування часових рядів;
- end-to-end pipelin'и по роботі з даними, готові до впровадження в production
- Підготовка до змагань на Kaggle

Для кого цей курс

Професійна програма розроблена спеціально для розробників та аналітиків, які хочуть значно розширити свої можливості та отримати необхідний набір знань і навичок для зміни своєї професії.

Необхідні знання

Для проходження програми необхідні:
- навички програмування на Python (досвід написання власних функцій),
- знання математичного аналізу (обчислення похідних складних функцій),
- знання лінійної алгебри (матричні операції та власні вектори),
- знання теорії ймовірностей і мат. статистики (розуміння дисперсії, мат. очікування, нормального закону розподілу).

Щоб підготуватися до цього курсу ви можете вивчити матеріали, деякі з яких є на нашому сайті

Основні можливості мови Python
Django
Бібліотеки для аналізу даних

Програма навчання

У процесі навчання ви отримаєте комплексні знання та навички.

Модуль 1

Основні методи машинного навчання

Тема 1. Вступ до машинного навчання
Тема 2. Базові інструменти аналізу даних у Python
Тема 3. Експлоративний аналіз та препроцесування даних
Тема 4. Завдання класифікації. Метод найближчих сусідів (kNN)
Тема 5. Завдання регресії. Лінійна регресія
Тема 6. Логістична регресія
Тема 7. Feature engineering & advanced preprocessing
Тема 8. АБ тестування
Тема 9. Практичне заняття за темами, вивченими в першому модулі

Модуль 2

Просунуті методи машинного навчання

Тема 10. Python для ML: пайплайни, прискорення pandas, мультипроцесинг
Тема 11. Метод опорних векторів
Тема 12. Дерева рішень
Тема 13. Ансамблі моделей
Тема 14. Градієнтний бустинг
Тема 15. Навчання без учителя. K-means, EM алгоритм
Тема 16. Навчання без учителя. Ієрархічна кластеризація. DB-Scan
Тема 17. Методи зменшення розмірності
Тема 18. Пошук аномалій у даних
Тема 19. Алгоритми на графах

Модуль 3

Збір даних. Аналіз текстових даних.

Тема 20. Збір даних
Тема 21. Аналіз текстових даних. Частина 1: Попереднє оброблення та токенізація
Тема 22. Аналіз текстових даних. Частина 2: Тематичне моделювання
Тема 23. Аналіз текстових даних. Частина 3: Named Entity Recognition
Тема 24. Аналіз текстових даних. Частина 4: Векторні представлення слів, робота з навченими ембеддінгами

Модуль 4

Аналіз Часових рядів

Тема 25. Аналіз часових рядів. Частина 1: Постановка задачі, найпростіші методи. ARIMA-модель
Тема 26. Аналіз часових рядів. Частина 2: Вилучення ознак і застосування моделей машинного навчання. Автоматичне прогнозування
Тема 27. Аналіз часових рядів Частина 3: Кластеризація часових рядів (шукаємо пов'язані котирування акцій)

Модуль 5

Рекомендаційні системи

Тема 28. Рекомендаційні системи. Частина 1: Постановка задачі, метрики якості. Колаборативна фільтрація. Холодний старт
Тема 29. Рекомендаційні системи. Частина 2: Контентна фільтрація, гібридні підходи. Асоціативні правила
Тема 30. Рекомендаційні системи. Частина 3: Implicit feedback (витягуємо переваги з поведінки користувача)
Тема 31. Практичне заняття з рекомендаційних систем. Surpsise

Модуль 6

Підготовка до змагань Kaggle

Тема 32. Тренування з ML №1
Тема 33. Тренування з ML №2

Модуль 7

проектна робота

Тема 34. Консультація щодо проєктів і домашніх завдань
Тема 35. Бонус: пошук Data Science роботи