Математика и Machine Learning для Data Science [SkillFactory] [Эмиль Магеррамов, Аяна Шелик]
Чтобы быть крутым специалистом в Machine Learning, недостаточно просто разобраться в принципах работы классических моделей. Нужно быть универсальным специалистом и понимать, как именно все работает, и тут понадобится математика.
Преимущества курса
Мы рассказываем о математике понятно. Наша цель — не сделать из вас специалиста по фундаментальный математике, но научить вас понимать законы математики для построения моделей.
Курс состоит по большей части из практики, которая не ограничивается решением классических уравнений и абстрактных заданий. Вы поймете, как знание математики и статистики работает в решении реальных жизненных задач в области анализа данных, прогнозирования и оптимизации.
Мы рассматриваем применение математических и статистических закономерностей в машинном обучении и нейронных сетях, чтобы вы в дальнейшем могли работать не только с типовыми моделями и архитектурами.
У нас есть не только сообщество единомышленников, с которыми вы можете обсудить затруднения и поделиться наболевшим, но и поддержка ментора, который поможет выйти из тупика. Вы не останетесь с трудностями один на один.
Чтобы быть крутым специалистом в Machine Learning, недостаточно просто разобраться в принципах работы классических моделей. Нужно быть универсальным специалистом и понимать, как именно все работает, и тут понадобится математика.
Преимущества курса
Мы рассказываем о математике понятно. Наша цель — не сделать из вас специалиста по фундаментальный математике, но научить вас понимать законы математики для построения моделей.
Курс состоит по большей части из практики, которая не ограничивается решением классических уравнений и абстрактных заданий. Вы поймете, как знание математики и статистики работает в решении реальных жизненных задач в области анализа данных, прогнозирования и оптимизации.
Мы рассматриваем применение математических и статистических закономерностей в машинном обучении и нейронных сетях, чтобы вы в дальнейшем могли работать не только с типовыми моделями и архитектурами.
У нас есть не только сообщество единомышленников, с которыми вы можете обсудить затруднения и поделиться наболевшим, но и поддержка ментора, который поможет выйти из тупика. Вы не останетесь с трудностями один на один.
Часть 1
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
Часть 2
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
Часть 3
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 теории вероятности
Закрепляем математические основы классификации и логистической регрессии
Часть 4
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
Краткая программа курса по Machine Learning
Помощь наставника на протяжении обучения
Модуль 1
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
Модуль 2
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
Модуль 3
Регрессия
Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
Решаем 40+ задач на закрепление темы
Модуль 4
Кластеризация
Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
Решаем 50+ задач на закрепление темы
Модуль 5
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
Модуль 6
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
Модуль 7
Оценка качестваалгоритмов
Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
Оцениваем качество нескольких моделей ML
Решаем 40+ задач на закрепление темы
Модуль 8
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
Модуль 9
Рекомендательные системы
Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
Решаем 50+ задач на закрепление темы
Модуль 10
Финальный хакатон
Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle
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
Часть 2
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
Часть 3
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 теории вероятности
Закрепляем математические основы классификации и логистической регрессии
Часть 4
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
Краткая программа курса по Machine Learning
Помощь наставника на протяжении обучения
Модуль 1
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
Модуль 2
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
Модуль 3
Регрессия
Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
Решаем 40+ задач на закрепление темы
Модуль 4
Кластеризация
Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
Решаем 50+ задач на закрепление темы
Модуль 5
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
Модуль 6
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
Модуль 7
Оценка качестваалгоритмов
Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
Оцениваем качество нескольких моделей ML
Решаем 40+ задач на закрепление темы
Модуль 8
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
Модуль 9
Рекомендательные системы
Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
Решаем 50+ задач на закрепление темы
Модуль 10
Финальный хакатон
Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle
https://skillfactory.ru/matematika-i-machine-learning-dlya-data-science?utm_source=advcake