Придбаний Machine Learning. Basic [2022] [OTUS] [М. Тихонова, А. Канашов, Н. Мовсумова, Е. Ревняков, А. Лоскутов, С. Хоренян, Д. Сергеев]

[Gadzhi]

• .

Machine Learning. Basic [2022]
OTUS
Мария Тихонова, Андрей Канашов, Нигяр Мовсумова, Евгений Ревняков, Антон Лоскутов, Сурен Хоренян, Дмитрий Сергеев

С нуля до уверенных Junior компетенций в Машинном обучении. Персональный ментор. Практика на реальных данных.

Вы научитесь решать задачи из реальных рабочих процессов, которые чаще всего в Data Science поручают начинающим специалистам. К концу курса вы соберете портфолио работ, пройдете подготовку к собеседованиям и карьерную консультацию.

Курс даст вам необходимый фундамент:

1. Python. Пройдете основы программирования и научитесь использовать этот наиболее актуальный язык в задачах Machine Learning.
2. Математика. Освоите ключевые разделы, чтобы понимать теоретические основы и принципы работы алгоритмов.
3. Классические модели Machine Learning. Соберете свои наборы данных и выполните полный пайплайн работ со своими первыми моделями.

Творческая атмосфера:
Во время обучения вы погрузитесь в условия, близкие к реальным рабочим процессам. Вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели к проду.

Обстановка на занятиях располагает быть любопытным, активно дискутировать и не бояться ошибок.

После обучения вы сможете:

1. Претендовать на должности, где требуются junior-компетенции
2. Решать реальные бизнес-задачи при помощи методов машинного обучения
3. Работать с Python-библиотеками для Machine Learning
4. Справляться с нестандартными ситуациями за счет глубокого теоретического понимания работы алгоритмов и моделей
5. Ориентироваться в различных направлениях Data Science и подбирать подходящие под задачу инструменты.

Спойлер: Информация

Модуль 1 - Введение в Python

Тема 1. Знакомство. Настройка окружения для работы
Тема 2. Базовые типы и структуры данных. Управление потоком
Тема 3. Работа с функциями и данными
Тема 4. Git, shell
​

Модуль 2 - Введение в Python. ООП, модули, базы данных

Тема 5. Основы ООП
Тема 6. Продвинутый ООП, исключения
Тема 7. Продвинутый ООП, продолжение
Тема 8. Модули и импорты
Тема 9. Тесты
Тема 10. Знакомство со встроенными модулями
Тема 11. Файлы и сеть​

Модуль 3 - Основы Python для ML

Тема 12. Основы NumPy
Тема 13. Основы Pandas
Тема 14. Визуализация данных​

Модуль 4 - Теоретический минимум для ML: математика, линал, статистика

Тема 15. Матрицы. Основные понятия и операции
Тема 16. Практика. Матрицы
Тема 17. Дифференцирование и оптимизация функций
Тема 18. Практика. Дифференцирование и оптимизация функций
Тема 19. Алгоритмы и вычислительная сложность
Тема 20. МНК и ММП
Тема 21. Практика. МНК и ММП
Тема 22. Случайные величины и их моделирование
Тема 23. Практика. Случайные величины и их моделирование
Тема 24. Исследование зависимостей: номинальные, порядковые и количественные величины
Тема 25. Практика. Исследование зависимостей: номинальные, порядковые и количественные величины
Тема 26. AБ тестирование​

Модуль 5 - Основные методы машинного обучения

Тема 27. Введение в машинное обучение
Тема 28. Exploratory Data Analysis and Preprocessing
Тема 29. Задача регрессии. Линейная регрессия
Тема 30. Задача классификации. Метод ближайших соседей
Тема 31. Логистическая регрессия
Тема 32. Деревья решений
Тема 33. Feature engineering & advanced preprocessing
Тема 34. Ансамбли моделей​

Модуль 6 - Проектная работа

Тема 35. Выбор темы и организация проектной работы
Тема 36. Предзащита проектных работ №1
Тема 37. Предзащита проектных работ №2
Тема 38. Защита проекта​

https://otus.ru/lessons/ml-basic/?int_source=courses_catalog&int_term=data-science