Назад
Математика и Machine Learning для Data Science
SkillFactory
Сложность
Для продвинутых
Длительность
5,5 месяцев
Тип курса
Смешанный
Описание курса
Пройдите курс и освойте востребованную профессию с нуля за 5,5 месяцев. Программа обучения разработана преподавателями-экспертами школы SkillFactory.
Курс «Математика и Machine Learning для Data Science» подойдет для практикующих специалистов, которые хотят получить новые знания, закрепить имеющиеся навыки и достичь новых карьерных высот.
Программа курса
Линейная алгебра
- Изучаем вектора и виды матриц
- Учимся проводить операции над матрицами
- Определяем линейную зависимость с помощью матриц
- Изучаем обратные, вырожденные и невырожденные матрицы
- Изучаем системы линейных уравнений, собственные и комплексные числа
- Осваиваем матричное и сингулярное разложение
- Решаем задачи линейной зависимости с помощью матриц
- Оптимизируем с помощью метода главных компонент
- Закрепляем математические основы линейной регрессии
Основы матанализа
- Изучаем функции одной и многих переменных и производные
- Осваиваем понятие градиента и градиентного спуска
- Тренируемся в задачах оптимизации
- Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
- Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
- Закрепляем математические основы градиентного спуска и имитации отжига
Основы теории вероятности и статистики
- Изучаем общие понятия описательной и математической статистики
- Осваиваем комбинаторику
- Изучаем основные типы распределений и корреляции
- Разбираемся в теореме Байеса
- Изучаем наивный байесовский классификатор
- Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
- Закрепляем математические основы классификации и логистической регрессии
Временные ряды и прочие математические методы
- Знакомимся с анализом временных рядов
- Осваиваем более сложные типы регрессий
- Прогнозируем бюджет с помощью временных рядов
- Закрепляем математические основы классических моделей машинного обучения
Введение в машинное обучение
- Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
- Решаем 50+ задач на закрепление темы
Методы предобработки данных
- Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
- Решаем 60+ задач на закрепление темы
Регрессия
- Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
- Решаем 40+ задач на закрепление темы
Кластеризация
- Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
- Решаем 50+ задач на закрепление темы
Tree-based алгоритмы: введение в деревья
- Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
- Решаем 40+ задач на закрепление темы
Tree-based алгоритмы: ансамбли
- Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
- Решаем 40+ задач на закрепление темы
- Участвуем в соревновании на kaggle по обучению tree-based модели
Оценка качества алгоритмов
- Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
- Решаем 40+ задач на закрепление темы
- Оцениваем качество нескольких моделей ML
Временные ряды в машинном обучении
- Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
- Решаем 50+ задач на закрепление темы
Рекомендательные системы
- Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
- Решаем 50+ задач на закрепление темы
Финальный хакатон
- Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle
Преподаватели
Аяна Шелике
Преподаватель статистики и линейной алгебры МИЭФ ВШЭ. Выпускница мехмата МГУ
Сергей Веренцов
CTO, компания EORA
Эмиль Богомолов
Инженер-исследователь в группе ADASE Сколтех
Эмиль Магеррамов
Автор курса, исполнительный директор EORA Data Lab
Показать еще
Цена
471 186 ₸
Скидка -40%
- 188 474 ₸
Итого
282 712 ₸
В рассрочку на 12 мес
39 266 KZT/мес
23 560 KZT/мес
Кешбэк
84 814 баллов
Похожие курсы
+7 705 956 72 14
Общие вопросы:
ТОО «Ньюскилз»
Республика Казахстан, А15TOG9 (050040) г. Алматы, Бостандыкский район, улица Тимирязева, 28B, офис 803
БИН: 210140019844
© Ньюскилз, 2023
© Ньюскилз, 2023