[GeekBrains] Машинное обучение. Часть 1 5 (2020)

[serafim]

[GeekBrains] Машинное обучение. Часть 1/5 (2020)


Программа
30+ онлайн-уроков, более 65 часов обучающего контента и практика после каждого занятия
Длительность: 5 месяцев.

Модуль 1. Теория вероятностей и математическая статистика



Модуль 5. Системы машинного обучения в Production

Теория вероятностей и математическая статистика

• Случайные события. Условная вероятность. Формула Байеса. Независимые испытания
  
  Дискретные случайные величины. Закон распределения вероятностей. Биномиальный закон распределения. Распределение Пуассона
  
  Описательная статистика. Качественные и количественные характеристики популяции. Графическое представление данных
  
  Непрерывные случайные величины. Функция распределения и плотность распределения вероятностей. Равномерное и нормальное распределение. Центральная предельная теорема
  
  Проверка статистических гипотез. P-значения. Доверительные интервалы. A/B-тестирование
  
  Взаимосвязь величин. Параметрические и непараметрические показатели корреляции. Корреляционный анализ
  
  Многомерный статистический анализ. Линейная регрессия
  
  Дисперсионный анализ. Логистическая регрессия

Курсовой проект
Разведочный анализ данных (EDA) на основе выбранного датасета: визуализация, корреляционный, дисперсионный и факторный анализ


Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn

• Введение в курс. Вебинар
  
  Вычисления с помощью Numpy. Работа с данными в Pandas. Видеоурок
  
  Вычисления с помощью Numpy. Работа с данными в Pandas. Вебинар
  
  Визуализация данных в Matplotlib. Видеоурок
  
  Визуализация данных в Matplotlib. Вебинар
  
  Обучение с учителем в Scikit-learn. Видеоурок
  
  Обучение с учителем в Scikit-learn. Вебинар
  
  Обучение без учителя в Scikit-learn. Видеоурок
  
  Обучение без учителя в Scikit-learn и введение в итоговый проект. Вебинар
  
  Консультация по итоговому проекту. Вебинар

Курсовой проект
Соревнование на платформе Kaggle по предсказанию цены на недвижимость, решение задачи регрессии


Библиотеки Python для Data Science: продолжение

• Введение в задачу классификации. Постановка задачи и подготовка данных
  
  Анализ данных и проверка статистических гипотез
  
  Построение модели классификации
  
  Оценка и интерпретация полученной модели. Обсуждение курсового проекта

Курсовой проект
Соревнование на платформе Kaggle по кредитному скорингу, решение задачи классификации


Алгоритмы анализа данных

• Алгоритм линейной регрессии. Градиентный спуск
  
  Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск
  
  Логистическая регрессия. Log Loss
  
  Алгоритм построения дерева решений
  
  Случайный лес
  
  Градиентный бустинг (AdaBoost)
  
  Классификация с помощью KNN. Кластеризация K-means
  
  Снижение размерности данных

Курсовой проект
Участие в одном или двух соревнованиях на Kaggle: предсказать средний балл на экзамене по математике, который получают ученики репетиторов (задача регрессии); предсказать, подойдет ли репетитор для подготовки к экзамену по математике (задача классификации)


Системы машинного обучения в Production

• Введение в задачу предсказания оттока. Формализация задачи и сбор сырых данных
  
  Загрузка данных и построение обучающей выборки. Анализ и предобработка датасета. Балансировка классов
  
  Выбор и обучение модели на отобранных признаках. Сравнение качества и оценка модели
  
  Оценка потенциального влияния на бизнес. Масштабирование решения
  
  Подготовка к продакшену. Планировщик задач и перенос проекта из Jupyter в PyCharm

Курсовой проект
Оценка потенциального влияния на бизнес ML-решения, построение модели оттока клиентов в игровых проектах и подготовка кода для Production в PyCharm

Продажник:

Войти или Зарегистрироваться чтобы увидеть скрытый текст.

Скачать:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.

Зеркало-

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.