Продолжительность:
5 месяцев

Объем:
14 тем + 400 задач

Формат:
Онлайн + записи + задачи

Уровень:
с нуля

Специальность:
Data Science

Требования:

Python data course

Преподаватели НавыкиТехнологии О школе

Чему вы научитесь

Понимать законы математики для построения моделей
Применять математические и статистические закономерности в машинном обучении и нейронных сетях
Применению регрессии и кластеризации
Решать реальные жизненные задачи с помощью математики и статистики
Основам матанализа
Основам теории вероятности и статистики
Строить модели машинного обучения

Какие технологии освоите

Математика и Machine Learning для Data Science от SkillFactory
Scikit-learn
Математика и Machine Learning для Data Science от SkillFactory
Jupyter
Математика и Machine Learning для Data Science от SkillFactory
Pandas
Математика и Machine Learning для Data Science от SkillFactory
NumPy
Математика и Machine Learning для Data Science от SkillFactory

Школа SkillFactory

С 2016 года SkillFactory разработала и запустила 25 курсов и специализаций, обучение по которым прошли уже более 4000 студентов, и стала лидером на рынке онлайн-образования в сегменте Data Science.

SkillFactory развивает направление корпоративного обучения, помогая крупнейшим российским компаниям расширять и усиливать свои технические команды.

Программа обучения

Часть 1

Линейная алгебра

— Изучите вектора и виды матриц
Научитесь проводить операции над матрицами
— Сможете определять линейную зависимость с помощью матриц
— Изучите обратные, вырожденные и невырожденные матрицы
— Изучите системы линейных уравнений, собственные и комплексные числа
— Освоите матричное и сингулярное разложение
— Решите задачи линейной зависимости с помощью матриц
— Научитесь оптимизировать с помощью метода главных компонент
— Закрепите математические основы линейной регрессии

Часть 1
Часть 2

Основы матанализа

— Изучите функции одной и многих переменных и производные
— Освоите понятие градиента и градиентного спуска
— Потренируетесь в задачах оптимизации
— Изучите метод множителей Лагранжа, метод Ньютона и имитацию отжига
Решите задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
— Закрепите математические основы градиентного спуска и имитации отжига

Часть 2
Часть 3

Основы теории вероятности и статистики

— Изучите общие понятия описательной и математической статистики
— Освоите комбинаторику
— Изучите основные типы распределений и корреляции
— Разбиретесь в теореме Байеса

— Изучите наивный байесовский классификатор
— Решите задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
— Закрепите математические основы классификации и логистической регрессии

Часть 3
Часть 4

Временные ряды и прочие математические методы

— Познакомитесь с анализом временных рядов
Освоите более сложные типы регрессий
— Спрогнозируете бюджет с помощью временных рядов
— Закреите математические основы классических моделей машинного обучения

Часть 4
Модуль 1

Введение в машинное обучение

Познакомитесь с основными задачами и методами machine learning , изучите практические кейсы и примените базовый алгоритм работы над ml-проектом
— Решите 50+ задач на закрепление темы

Модуль 1
Модуль 2

Методы предобработки данных

— Изучите типы данных, научитесь очищать и обогащать данные, использовать визуализацию для предобработки и осваивоите feature engineering
— Решите 60+ задач на закрепление темы

Модуль 2
Модуль 3

Регрессия

— Освоите линейную и логистическую регрессию, изучите границы применимости, аналитический вывод и регуляризацию. Обучите модели регрессии
— Решите 40+ задач на закрепление темы

Модуль 3
Модуль 4

Кластеризация

Освоите обучение без учителя, попрактикуетесь в его различных методах, поработаете с текстами средствами ML
— Решите 50+ задач на закрепление темы

Модуль 4
Модуль 5

Tree-based алгоритмы: введение в деревья

— Познакомитесь с решающими деревьями и их свойствами, освоите деревья из библиотеки sklearn и используете деревья для решения задачи регрессии
— Решаем 40+ задач на закрепление темы

Модуль 5
Модуль 6

Tree-based алгоритмы: ансамбли

— Изучите особенности ансамблей деревьев, попрактикуетесь в бустинге, используете ансамбль для построения логистической регрессии
— Решите 40+ задач на закрепление темы
— Примите участие в соревновании на kaggle по обучению tree-based модели

Модуль 6
Модуль 7

Оценка качества алгоритмов

Изучите принципы разбиения выборки, недо- и переобучение, оцените модели по различным метрикам качества, научитесь визуализировать процесс обучения.
— Оцените качество нескольких моделей ML
— Решите 40+ задач на закрепление темы

Модуль 7
Модуль 8

Временные ряды в машинном обучении

— Познакомитесь с анализом временных рядов в ML, освоите линейные модели и XGBoost, изучите принципы кросс-валидации и подбора параметров
— Решите 50+ задач на закрепление темы

Модуль 8
Модуль 9

Рекомендательные системы

— Изучите методы построения рекомендательных систем, освоите SVD-алгоритм, оцените качество рекомендаций обученной модели
— Решите 50+ задач на закрепление темы

Модуль 9
Модуль 10

Финальный хакатон

Примените все изученные методы для получения максимальной точности предсказаний модели на kaggle

Модуль 10
Хакатон
Сертификат
Портфолио
Наставник
Рассрочка

Цена

58 900 ₽

34 900 ₽

Рейтинг

Математика и Machine Learning

Полнота программы
Отзывы в сети
Цена

Выводы

На этом курсе вы сможете изучить сначала математику, а затем научитесь строить модели машинного обучения. Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, сделать своё резюме привлекательным
для крупных Data Science-based компаний

4.3

Тест на знание python

Какой будет результат выполнения этого кода?
Что делает код ниже?
Какой будет результат выполнения кода — print(abc) ?
Какой код выведет строку — "C:\Common\testString.doc" ?
Какой будет результат выполнения этого кода?