[OTUS] Data Scientist. Часть 2 из 5
Курс предназначен для программистов и аналитиков, которых интересует область машинного обучения и анализа данных.
Цель прохождения курса — освоение алгоритмов машинного обучения и логических методов, позволяющих находить ценную информацию в крупных массивах данных и эффективно внедрять эту информацию для решения реальных бизнес-задач.
Курс дает комплексные ответы на следующие вопросы:
В результате обучения вы не только расширите свой инструментарий в области анализа данных, но и улучшите навыки в следующих технологиях: Python, Pandas, Sklearn, Keras, нейросети, SQL, логистическая регрессия, предсказательные модели, машинное обучение, математическая статистика, Natural language processing, Deep learning.
После прохождения курса в вашем распоряжении останутся:
Другие части складчины:
...
Скрытое содержимое.
Часть 2.
О курсеКурс предназначен для программистов и аналитиков, которых интересует область машинного обучения и анализа данных.
Цель прохождения курса — освоение алгоритмов машинного обучения и логических методов, позволяющих находить ценную информацию в крупных массивах данных и эффективно внедрять эту информацию для решения реальных бизнес-задач.
Курс дает комплексные ответы на следующие вопросы:
- когда и зачем нужно анализировать данные?
- какую пользу приносит анализ данных?
- какие бывают данные?
- каковы принципы работы алгоритмов машинного обучения?
- как работать с неструктурированными (текстовыми) данными?
- как работать с большими данными?
- использовать методы машинного обучения в практически полезных приложениях и исследованиях;
- выбирать подходящие алгоритмы и метрики;
- разбираться в математических основаниях алгоритмов машинного обучения;
- проводить предварительную обработку данных (очистка, работа с пропусками, определение типа шкал);
- проводить статистические исследования и интерпретировать их результаты;
- создавать предсказательные модели для качественных и количественных данных;
- применять методы обучения без учителя (кластеризация, снижение размерности);
- работать с ограниченными датасетами, структурированными и неструктурированными данными;
- проектировать архитектуру нейросетей и обучать их;
- самостоятельно реализовывать весь процесс: от поиска полезной информации в массивах данных до построения схемы обработки данных в боевом окружении.
В результате обучения вы не только расширите свой инструментарий в области анализа данных, но и улучшите навыки в следующих технологиях: Python, Pandas, Sklearn, Keras, нейросети, SQL, логистическая регрессия, предсказательные модели, машинное обучение, математическая статистика, Natural language processing, Deep learning.
После прохождения курса в вашем распоряжении останутся:
- презентации и видеозаписи занятий, все сопутствующие материалы;
- собственные уникальные исследования, которые можно показывать при устройстве на работу;
- один большой проект, решающий конкретную практическую проблему;
- сертификат о прохождении обучения.
Другие части складчины:
...
Скрытое содержимое.