Придбаний Machine Learning. Professional [2022] [OTUS] [М. Тихонова, Д. Сергеев, А. Канашов, М. Пантелеев, А. Дзись, Б. Цейтлин, А. Сухобок, А. Лоскутов]

[Gadzhi]

• .

Machine Learning. Professional [2022]
OTUS
Мария Тихонова, Дмитрий Сергеев, Андрей Канашов, Максим Пантелеев, Андрей Дзись, Борис Цейтлин, Андрей Сухобок, Антон Лоскутов

Научитесь работать с важнейшими моделями машинного обучения на практике с реальными данными Курс для людей со знанием высшей математики и знакомых с Python. Подготовка к соревнованиям на Kaggle.

Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения.

Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену.

Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.

Проекты для портфолио:
В течение курса вы выполните несколько проектов для портфолио и научитесь грамотно презентовать результаты своих работ, чтобы проходить собеседования. Для выпускного проекта вы можете взять один из предложенных преподавателем вариантов или реализовать свою идею.

Для кого этот курс?

1. Для начинающих аналитиков и Data Scientist’s. Курс поможет вам систематизировать и углубить свои знания. Вы сможете поэкспериментировать с подходами, разобрать рабочие кейсы и получить качественную обратную связь от экспертов.
2. Для разработчиков и специалистов других направлений, желающих сменить профессию и развиваться в области Data Science. Курс даст вам возможность собрать сильное портфолио и погрузиться в атмосферу реальных задач дата сайентиста.

Особенности курса:

1. Best Practices и тренды. Каждый запуск программа обновляется с учетом быстро меняющихся тенденций в Data Science. После обучения вы сразу сможете приступить к работе в реальных проектах.
2. Важные второстепенные навыки. В курс входят темы, которые обычно упускаются из внимания, но необходимы специалисту в повседневных задачах и очень ценятся работодателями: — построение систем для автоматического поиска аномалий;— прогнозирования временных рядов при помощи машинного обучения;— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production.
3. Творческая атмосфера и условия, близкие к реальным рабочим процессам. Весь курс построен как симулятор рабочих будней дата сайентиста, где вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели в продакшн. В этом деле вам понадобятся любопытство, упорство и жажда нового опыта.

Спойлер: Информация

Модуль 1 - Продвинутые методы машинного обучения

Тема 1. Вводный урок. Программа курса. Повторение основных концепций машинного обучения
Тема 2. Деревья решений
Тема 3. Python для ML: пайплайны, ускорение pandas, мультипроцессинг
Тема 4. Ансамбли моделей
Тема 5. Градиентный бустинг
Тема 6. Метод опорных векторов
Тема 7. Методы уменьшения размерности
Тема 8. Обучение без учителя. K-means, EM алгоритм
Тема 9. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 10. Поиск аномалий в данных
Тема 11. Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 12. Алгоритмы на графах
​

Модуль 2 - Сбор данных. Анализ текстовых данных

Тема 13. Сбор данных
Тема 14. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 15. Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами
Тема 16. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 17. Анализ текстовых данных. Часть 4: Тематическое моделирование
Тема 18. Q&A​

Модуль 3 - Анализ Временных рядов

Тема 19. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 20. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 21. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)​

Модуль 4 - Рекомендательные системы

Тема 22. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 23. Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 24. Рекомендательные системы. Часть 3: Implicit feedback
Тема 25. Практическое занятие по рекомендательным системам. Surpsise
Тема 26. Q&A​

Модуль 5 - Дополнительные темы

Тема 27. Kaggle тренировка по ML №1
Тема 28. Kaggle тренировка по ML №2
Тема 29. ML в Apache Spark
Тема 30. Поиск Data Science работы​

Модуль 6 - Проектная работа

Тема 31. Выбор темы и организация проектной работы
Тема 32. Предзащита проектных работ №1
Тема 33. Предзащита проектных работ №2
Тема 34. Защита проектных работ​

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