Что нового

Скачать курсы бесплатно. Слив базы курсов. Все курсы online

Присоединяйтесь к нам! У нас тысячи отборного премиум курсов на любой вкус! Все платные курсы - БЕСПЛАТНО!

Новинки каждый день

Мы добавляем по 1.000 новых курсов ежедневно.

Обсуждение

Общайся с единомышленниками по интересующим тебя материалам

Гибкие тарифы

Мы гибки в ценообразовании. Тарифы на месяц и на год!

[PyMagic] Data Science для начинающих (Никулина Анастасия, Петр Ермаков)

admin

Administrator
Команда форума
Регистрация
13.03.2019
Сообщения
29 796
Реакции
1 050
Баллы
113

# Для кого
Подойдет для начинающих, кто только хочет освоить машинное обучение, не важно, в какой сфере вы работали. Также нужны знания школьной математики, базовых принципов

# Что получаете
Знания, как работают алгоритмы машинного обучения
Практика на реальных данных
Собственный pet-project

# Трудоустройство
Помогаем грамотно составить резюме
Проведем предварительное собеседование





Программа курса
Основы Python

Что такое Python?
Основные структуры данных и типы переменных
Anaconda & Jupyter Notebook
Алгоритмы сортировки
SQL

Основы синтаксиса
Соединение таблиц
Оконные функции
Ранжирующие функции
Функции смещения
Математический анализ

Графики функций
Предел и производная
Задача нахождения экстремума
Интеграл
Градиент
Линейная алгебра

Векторы и операции на ними
Матрицы и операции над ними
Системы линейных уравнений (СЛАУ)
Методы решения систем линейных алгебраических уравнений
Матричные разложения
Сингулярное разложение матриц SVD
Статистика

Основные определения
Описательные статистики
Параметры, характеризующие разброс
Нормальное распределение
Центральная предельная теорема
Доверительные интервалы
Проверка гипотез. Меры различий
Параметрические критерии. Одновыборочный критерий t-Стьюдента
Параметрические критерии. Двухвыборочный критерий t-Стьюдента
Непараметрические критерии. Критерии Манна-Уитни
Корреляция
Корреляция Пирсона
Корреляция Спирмена
А/Б тестирование

Ведение
Основные статистические критерии
Мощность и корректность
Что нужно знать перед запуском теста?
Метод повышения чувствительности CUPED
Теория вероятностей

Основные определения
Свойства вероятности
Условная вероятность
Формула полной вероятности и Теорема Байеса
Элементы комбинаторики
Методы оптимизации

Градиентный спуск
Стохастический градиентный спуск
Генетические алгоритмы
Алгоритм дифференциальной эволюции
Машинное обучение. Введение

Что такое Data Science и для чего он нужен?
Подробный процесс разработки моделей
Разведочный анализ данных (exploratory data analysis, EDA)
Визуализация: библиотеки и методы
Обучение с учителем
Обучение без учителя
Преобразования признаков
Методы масштабирования признаков
Кодирование категориальных признаков
Линейные алгоритмы

Линейная регрессия
Метод максимального правдоподобия
Метрики качества в задачах регрессии
Линейные алгоритмы. Классификация
Линейный классификатор
Ошибка в задачах классификации. Функция потерь
SVM. Нелинейные ядра
Спрямляющие пространства
Логистическая регрессия
Метрики качества в задачах классификации
Способы борьбы с переобучением

Регуляризация
Оценка работы алгоритма
Отложенная выборка
Кросс-валидация
Кросс-валидация со стратифицированной выборкой
Деревья

Решающие деревья
Построение деревьев
Критерии информативности
Критерий информативности для регрессии
Критерий информативности для классификации
Энтропийный критерий информативности
Критерий останова
Стрижка деревьев
Композиции деревьев
Бутстрап
Бэггинг
Случайные леса
Определение бустинга
Градиентный бустинг
XGBoost
Метрические алгоритмы

Метод k-ближайших соседей
Метрики
Байесовские модели
Кластерный анализ

Метрики качества кластеризации
K-means
Графовые методы. Spectral Clustering
Иерархическая кластеризация
DBSCAN
Метод главных компонент PCA
Ансамблирование, стекинг и блендинг

Блендинг
Стэкинг
NLP

Быстрое погружение в лингвистику
Превращение текста в вектор
Морфологический анализ
Сравнение текстов
Задачи NLP
Машинное обучение на текстах
Фичи на текстах
Задачи машинного обучения на текстах
Best practices
Альтернативные подходы к подготовке фичей на текстах
Задачи выделения фактов
Deep Learning

В чем отличия от классического ML?
Почему это стало возможным?
Преимущества глубокого обучения
Сферы применения
Ключевые компоненты алгоритма глубокого обучения
Основные глубокие архитектуры
Подход к изучению: что должен знать специалист по DL?













 

kek

New member
1 курс
Регистрация
06.07.2022
Сообщения
1
Реакции
0
Баллы
1
Можно доступ?
 

MaxB

New member
1 курс
Регистрация
01.08.2022
Сообщения
1
Реакции
0
Баллы
1
Добрый день. Как получить доступ? Вип приобрел
 

admin

Administrator
Команда форума
Регистрация
13.03.2019
Сообщения
29 796
Реакции
1 050
Баллы
113

noname2213

New member
1 курс
Регистрация
10.09.2022
Сообщения
1
Реакции
0
Баллы
1
Здравствуйте, можно доступ?
 

s__daria

New member
1 курс
Регистрация
01.10.2022
Сообщения
1
Реакции
0
Баллы
1
Добрый день. Как получить доступ? Вип приобретен
 
shape1
shape2
shape3
shape4
shape7
shape8
Верх