Придбаний [Data loves academy] Machine Learning для людей (Ганна Пилєва)

[Gadzhi]

Курс від спеціалістки з Data Science Ганни Пилєвої

Machine Learning для людей

Навчись впевнено використовувати методи машинного навчання в роботі,щоб вони створювали справжнє бізнес-велʼю

Презентація курсу від авторки

Програма курсу

Модуль 0

• Змінні, типи даних та базові операції з числами й рядками
• Структури даних: списки, словники, кортежі та їх практичне застосування

• Умовні конструкції та цикли для автоматизації обробки даних

• Функції: створення, параметри та організація коду

• Ключові бібліотеки: NumPy, Pandas, Matplotlib для роботи з даними та візуалізацією

Модуль 1
Тема 1.1. Світ штучного інтелекту

• Що таке машинне навчання та як навчаються моделі

• Навігація в світі методів машинного навчання

• Процес розв'язку Data Science задач та інструменти для DS рішень

Тема 1.2. Дослідницький Аналіз Даних

• З чого почати дослідницький аналіз даних

• Обробка відсутніх значень та аналіз викидів

• Аналіз залежностей між категоріальними змінними

Бонусний модуль

• Що таке Git та чому він такий популярний. Встановлення і конфігурація

• Команди: робота з репозиторієм

• Гілки, pull-ріквести, merge та кращі практики коміту коду

• GUI, історія комітів та що не варто комітити

Модуль 2
Функції та їх похідні

Тема 2.1 Лінійна та поліноміальна регресія. Методи оцінки точності прогностичної моделі

• Тестування статистичних гіпотез

• Підведення до задачі лінійної регресії

• Статистичні методи перевірки на гаусовість

• ЦГТ і пошук змінних-кандидатів для побудови лін. регресії

• Поняття лінії та пошук найкращої лінії, яка описує дані

• Вступ до лінійної алгебри. Робота з матрицями і векторами

• Математичне формулювання задачі лінійної регресії

• Припущення лін. регресії. Метод найменших квадратів

• Вимірювання якості регресійної моделі

• Градієнтний спуск для задачі лінійної регресії

• Лінійна регресія багатьох змінних. Виявлення статистичної значущості коефіцієнтів

• Використання категоріальних змінних у моделі машинного навчання

• Удосконалення моделі

Тема 2.2 Задача класифікації. Логістична регресія. Принцип роботи та методи оцінки якості

• Задачі класифікації. Математичне формулювання логістичної регресії

• Моделювання поліноміальної регресії

• Методи регуляризації в машинному навчанні

• Розв'язок ML задачі step-by-step

• Задача класифікації з Scikit-Learn. Завантаження даних з Kaggle. Заповнення пропущених значень

• Масштабування числових ознак

• Навчання логістичної регресії в scikit-learn та оцінка якості класифікатора

• Класифікація нового значення. Збереження і завантаження моделі. Sklearn Pipelines

• Стратегії вирішення дисбалансу класів у машинному навчанні

• Проблема дисбалансу класів. Random oversampling, undersampling та метод SMOTE

• Метод Adasyn, зв'язки Томека і комбінування oversampling з undersampling

• Мультикласова та мультизначна класифікація

• Ансамблі моделей. Базові техніки

• Задачі мультикласової і мультизначної (multi-label) класифікації

• Вимірювання якості мультикласової класифікації. Приклад мультиклас і мультилейбл класифікації на даних

Тема 2.3 Дерева прийняття рішень

​

• Вступ до дерев прийняття рішень

• Принцип побудови дерев прийняття рішень
• Вибір критерія розбиття в процесі побудови дерева
• Умови зупинки в побудові дерева. Prunning. Як витягнути конкретні правила з дерева
• Майстер-клас з перенесення коду з jupyter notebook у Python модуль
• Навчання Decision Trees на практиці

Тема 2.4 Методи ансамблювання. Кросвалідація

• Метод крос-валідації для покращення якості моделі
• Оптимізація гіперпараметрів

• Класифікатор kNN (k-найближчих сусідів)

• Ансамблі моделей. Базові техніки

• Використання просунутих методів ансамблювання: Stacking та Bagging + MK з аналізом помилок класифікації

• Просунуті методи побудови ансамблів

• Алгоритми бустингу. Adaboost

• Градієнтний бустинг. XGBoost, LightGBM. Вибір алгоритму під задачу

• Демо використання бустингових моделей. Тюнінг гіперпараметрів з hyperopt

Тема 2.5 Аналіз часових рядів

• Вступ в аналіз часових рядів. Компоненти часових рядів

• Аналіз якості передбачень часових рядів. Автокореляція і часткова автокореляція в часових рядах

• Поняття стаціонарності. Знайомство з базовим функціоналом бібліотеки Darts

• Методи прогнозування часових рядів та їх застосування. Бейзлайн моделі для часових рядів. Exponential smoothing

• Моделі ARIMA/SARIMAX та Theta

• Facebook Prophet, RNN/LSTM, трансформери для прогнозування time series. Розгляд часових рядів з іншою природою

• Backtesting і аналіз помилок в аналізі часових рядів

Модуль 3
Тема 3.1 Алгоритми кластеризації

• Вступ до алгоритмів кластеризації у Machine Learning

• KMeans: принцип роботи алгоритму та як визначити оптимальну кількість кластерів

• Ієрархічна кластеризація

• Метод кластеризації DBSCAN. Silhouette метрика для оцінки якості кластеризації

Тема 3.2 Методи пониження розмірності

• Вступ до пониження розмірностей даних у машинному навчанні

• Принцип роботи PCA

• Прикладне використання PCA. Візуалізація, зниження шуму, стиснення зображення та аналіз даних за допомогою PCA

• Побудова PCA вручну. Нелінійний алгоритм t-SNE

Тема 3.3 Основи побудови рекомендаційних систем

• Collaborative Filtering і принципи побудови рек. систем

• Рек. системи з fastai

Mid-term
Продемонструєте всі набуті навички з EDA, препроцесингу, вибору метрик, моделювання та інтерпретації результатів.

Модуль 4
Тема 4.1 Вступ у NLP

• Вступ до Natural Language Processing

• Класифікація тексту: основи, препроцесинг, навчання та оцінка ML-моделі

• Векторизація тексту: TF-IDF

• Ембединги слів: Word2Vec, GloVe, FastText (gensim)

• Ембединги BERT та їх застосування

• Файн-тюнінг BERT та інших мовних моделей з HuggingFace

• Парсинг та аналіз тексту

• Парсинг веб-сторінок та аналіз вакансій (HTML, BeautifulSoup)

• Очистка тексту з ChatGPT, WordCloud та n-грами

Тема 4.2 Вступ у Deep Learning

• Вступ до нейронних мереж

• PyTorch та backpropagation: будуємо першу нейронну мережу

• Feed-forward Neural Networks

Тема 4.3 Глибоке навчання для моделювання послідовностей

• Моделювання послідовностей та принцип роботи RNN

• Архітектура RNN всередині та критерії дизайну рекурентних мереж

• RNN на практиці: від нуля до PyTorch RNN-cell, оверфіт і дебагінг моделі

• Паралельна обробка послідовностей: Attention та архітектура трансформера

Модуль 5

• Вступ до MLOps: життя моделі після тренування та способи розгортання

• Деплоймент ML-моделі на Streamlit (практичний гайд)

• Продакшн-деплоймент з FastAPI та Docker

Модуль 6

​

• Алгоритм створення додатків з використанням мовних моделей.

• LangChain: промпти, ланцюги, агенти та робота з пам'яттю
• Порівняння мовних моделей та платформа Hugging Face
• Побудова RAG-додатку: завантаження, індексація, retrieval & generation
• Відстеження роботи LLM в LangSmith та мультиагентні системи з LangGraph

Модуль 7

• Вступ до Computer Vision та його застосування

• Робота із зображеннями в PyTorch: підготовка датасету та візуалізація

• Baseline-модель для класифікації зображень з нуля

• Згорткові нейронні мережі (CNN): Conv2d, MaxPool2d та цикли навчання

• Детекція об'єктів: bounding boxes, IoU, mAP

• Семантична та інстанс-сегментація зображень

• Transfer learning для задач класифікації, детекції та сегментації

В цьому розділі ми начимсоь працювати з візуальнюю інформацією - зображеннями й відео

Модуль 8

• Вступ до рекомендаційних систем: огляд основних підходів

• Постановка задачі, baseline-методи та оцінка якості рекомендацій

• Content-based recommendations та фільтрація на основі змісту на Python

• Колаборативна фільтрація та факторизація матриці

• Сучасні підходи: Vector Space Model та двоетапний retrieval & ranking

• Two Tower Architecture, concat-based підхід та врахування часу

• Покращення рекомендаційних систем: важливі аспекти та метрики

Модуль 9

• Як створити ексклюзивне резюме

• LinkedIn, який працює на вас

• Оформлення WOW-портфоліо для Data Science спеціаліста

• Огляд платформи для пошуку роботи Djinni. Реєстрація. Пошук вакансій

• Лайфхаки успішного проходження співбесід

• 250+ питань до технічної співбесіди з відповідями

• Гайд "Платформи для пошуку фріланс-проєктів і фултайм роботи в Україні і країнах Європи"

Додатковий модуль SQL
Тема 1. Основи SQL та Реляційних баз даних

• Що таке SQL та реляційна база даних?

• Термінологія, Зв'язки та Діалекти в SQL

• Синтаксис SQL

• Як користуватись SQL Practice. Приклади найпростіших запитів

Тема 2. Практика роботи з даними в SQL

• Запити з однієї бази. Фільтрація

• Робота з рядками та датами

• Домашнє завдання №1 на практику SQL

• Робота з JOINs: Пояснення та перші приклади

• Використання JOIN та CASE WHEN

• Об'єднання за допомогою UNION

• Домашнє завдання №2 на практику SQL

• Тема 3. Підключення до бази даних в Python

• Завантаження бази даних локально

• SQL-скрипт та SQL Client

• Підключення до бази в Python: connection, cursor

• Домашнє завдання №3 Python + SQL

• Читання даних за допомогою Pandas

• INSERT, DELETE, UPDATE та close connection

• Classicmodel database (orders)

• Бонус. SQL in Pandas

• Домашнє завдання №4 Pandas + SQL

Фінальний проєкт
“Фінальний проєкт” - це максимально наближене завдання до умов реальної роботи в IT-компанії.

• Студенти обирають цікавий для себе набір даних

• Роблять дослідження, візуалізацію даних

• Створюють інтерактивні дашборди

• Використовують SQL, Python, BI-інструмент

• Роблять оформлення за рекомендаціями

Це один із найважливіших етапів — бо саме він демонструє: ви готові до реальної роботи в ІТ.


Ціна: Від 599 USD

Уроків: 295

Мова курсу: Українська

https://www.dataloves.academy/courses/machine-learning