Програма курсу
Модуль 1: Дослідницький аналіз даних з Python (EDA)
Модуль 3: Бінарна класифікація
Модуль 4: Дерева рішень та Random Forest
Модуль 5: MLOps та деплоймент
Мова курсу: Українська
Модуль 1: Дослідницький аналіз даних з Python (EDA)
- Дослідницький аналіз даних з Python (EDA) 1
- Дослідницький аналіз даних з Python (EDA) 2
- Домашнє завдання: EDA Матеріали модуля
- Вступ до лінійної регресії та підходу до навчання моделей в ML
- Лінійна регресія багатьох змінних
- Як додати категоріальні характеристики в модель
- Масштабування ознак, виявлення важливості ознак. Загальний підхід до розв’язку ML задачі
- Домашнє завдання: Лінійна регресія Матеріали модуля
Модуль 3: Бінарна класифікація
- Вступ до задач класифікації
- EDA для даних для бінарної класифікації
- Заповнення пропущених числових значень. Масштабування даних з MinMaxScaler. One hot encoding з sklearn
- Навчання логістичної регресії з sklearn
- Домашнє завдання: Бінарна класифікація. Логістична регресія Матеріали модуля
Модуль 4: Дерева рішень та Random Forest
- Вступ до дерев прийняття рішень
- Як будується дерево прийняття рішень та гіперпараметри дерева
- Random Forest: опис і використання методу. Тюнінг гіперпараметрів
- Загальний підхід до налаштування гіперпараметрів та передбачення на нових даних
- Домашнє завдання: Дерева рішень та Випадкові ліси Матеріали модуля
Модуль 5: MLOps та деплоймент
- Вступ до MLOps
- Що необхідно врахувати після готовності моделі
- Способи розгортання ML моделі
- Практичний гайд з деплою ML-моделі на Streamlit
- Домашнє завдання: Деплоймент моделі Матеріали модуля
Мова курсу: Українська
https://www.dataloves.academy
Останнє редагування модератором:
