Войти
Каталог
Data Scientist. ML. Начальный уровень
Вы научитесь создавать и обучать модели Machine Learning для анализа данных. Овладеете методами регрессии, классификации, кластеризации, понижения размерности, бустинга и стекинга. Узнаете, как решать реальные задачи с помощью Kaggle.
- Никакой “воды” только нужные и актуальные знания
- Обучение в удобное время учитесь в комфортном для себя темпе
- Бессрочный доступ ко всем материалам курса
- Старт обучения Набор группы закрыт
Кому подойдёт этот курс
- Разработчикам
Тем, кто хочет прокачать свои навыки в анализе данных и создании ML-моделей, чтобы интегрировать машинное обучение в свои проекты и создавать интеллектуальные приложения
- Аналитикам
Для тех, кто хочет углубить свои знания в статистике и применении алгоритмов машинного обучения, чтобы анализировать большие объёмы данных и делать прогнозы
- Исследователям
Тем, кто хочет изучить основы ML и применения их в исследовательских проектах для работы с данными и статистическими методами
Чему вы научитесь
-
Владение основными концепциями и методами Machine Learning
-
Использование ML в реальных сценариях
-
Создание и настройка модели регрессии и классификации
-
Владение методами обучения для анализа данных
-
Знакомы с нейронными сетями и обучением с подкреплением
-
Измерение и улучшение качества моделей с помощью метрик
-
Применение регуляризации и избегание переобучения
-
Понимание градиентного спуска и его роли в обучении моделей
-
Владение алгоритмами классификации и методами кластеризации
Содержание курса
Вы освоите ключевые концепции Machine Learning, жизненный цикл проекта, регрессию, классификацию, кластеризацию и многое другое.
Основные концепции Machine Learning
Познакомитесь с основами машинного обучения: применение в реальных задачах, обучение с учителем (регрессия и классификация), обучение без учителя (кластеризация) и обучение с подкреплением. Изучите нейронные сети и ансамблирование.
Жизненный цикл ML-проекта
Узнаете об этапах жизненного цикла проекта машинного обучения: работой с данными и моделированием.
Регрессия. Часть 1
Изучите линейную регрессию, метрики качества и способы трансформации входных данных для повышения качества модели.
Регрессия. Часть 2
Узнаете о регуляризации и её применении в регрессии, а также о проблеме переобучения. Освоите градиентный спуск как метод обучения моделей.
Классификация. Часть 1
Изучите метод ближайших соседей (kNN), наивный байесовский классификатор и деревья решений для задач классификации.
Классификация. Часть 2
Освоите метрики качества для оценки результатов классификации, а также научитесь работать с многоклассовой классификацией.
Кластеризация
Познакомитесь с задачей кластеризации и алгоритмом K-средних. Узнаете, как выбирать количество кластеров и оценивать качество кластеризации.
Дополнительные техники. Часть 1
Изучите методы понижения размерности данных, включая применение PCA, SVD-преобразование и трансформацию t-SNE.
Дополнительные техники. Часть 2
Овладеете техниками бустинга (Gradient Boosting и XGBoost) и стекинга для повышения качества моделей. Узнаете, как применять их в практике и создавать составные модели.
Знакомство с Kaggle
В данном модуле вы узнаете о Kaggle – платформе для соревнований по машинному обучению. Познакомитесь с её особенностями, средой разработки и работой с ноутбуками и ядрами для анализа данных.
О Skillbox
- Кишинев
- Ташкент
- Астана
- Баку
- Минск
- Москва
- Тбилиси
- Гянджа
- Сумгайыт
- Мингечевир
- Хырдалан
- Шеки
- Габала
- Астара
- Алматы
- Самара
- Шымкент
- Гомель
- Могилев
- Наманган
- Самарканд
- Тирасполь
