нові викладачі, нова програма.
Що дасть вам цей курс
- знання алгоритмів машинного навчання і розуміння принципів їх роботи.
- освоєння сучасних методів та інструментів аналізу та обробки даних.
- Вміння проектувати архітектуру нейромереж, створювати пророчі моделі, працювати з обмеженими датасетами, проводити статистичні дослідження, інтерпретувати результати.
- здатність витягувати з великих масивів даних цінну інформацію і ефективно її використовувати
У першому модулі розберемо: завдання, які вирішують методи машинного навчання; необхідні теми з математичного аналізу, лінійної алгебри і теорії ймовірності; базові інструменти аналізу даних в python; прості методи машинного навчання (лінійна регресія, логістична регресія, lDA, наївний Байєс)
основні інструменти аналізу даних у Python
Учасники курсу дізнаються, які завдання вони зможуть вирішувати після закінчення курсу, навчаться налаштовувати робоче оточення і дізнаються функціонал основних бібліотек для роботи з даними в python (Numpy, Pandas, Sklearn, API Sklearn)
необхідні поняття з математичного аналізу та лінійної алгебри
Учасники освоять весь необходмый для даного курсу матеріал з лінійної алгебри і математичного аналізу: навчаться вирішувати завдання на собсвенные числа і власні вектора матриць, знаходити похідні функцій і матричних виразів і застосовувати це для завдань оптимізації функцій, ефективно застосовувати дані алгоритми в python.
необхідні поняття з теорії ймовірності
Учасники вивчать необхідні для курсу Основи теорії ймовірності: випадкова величина, основні види розподілів випадкових величин, навчаться рахувати матожидание, дисперсію випадкових величин. Дізнаються як ефективно робити семплювання з розподілів, навчаться реалізовувати дані алгоритми на мові python.
лінійна регресія
Учасники навчаться робити описовий аналіз даних за допомогою бібліотеки pandas і візуалізацію даних за допомогою різних бібліотек python (matplotlib, seaborn, plotly, bokeh)
Feature engineering
Учасники освоять основні бібліотеки для візуалізації даних в python, будуть правильно вибирати види графіків для візуалізації даних різних типів.
навчання з учителем. Логістична регресія
Реалізації логістичної регресії за допомогою методу стохастичного градієнтного спуску
завдання класифікації. Метод найближчих сусідів
Алгоритм kNN. Вплив нормалізації даних у kNN. Структури даних для оптимізації kNN. Крос валідація. Методи оцінки якості алгоритмів класифікації.
Учасники освоять весь необходмый для даного курсу матеріал з лінійної алгебри і математичного аналізу: навчаться вирішувати завдання на собсвенные числа і власні вектора матриць, знаходити похідні функцій і матричних виразів і застосовувати це для завдань оптимізації функцій, ефективно застосовувати дані алгоритми в python.
необхідні поняття з теорії ймовірності
Учасники вивчать необхідні для курсу Основи теорії ймовірності: випадкова величина, основні види розподілів випадкових величин, навчаться рахувати матожидание, дисперсію випадкових величин. Дізнаються як ефективно робити семплювання з розподілів, навчаться реалізовувати дані алгоритми на мові python.
лінійна регресія
Учасники навчаться робити описовий аналіз даних за допомогою бібліотеки pandas і візуалізацію даних за допомогою різних бібліотек python (matplotlib, seaborn, plotly, bokeh)
Feature engineering
- Відбір ознак.
- Перетворення вихідних даних у відповідний для моделі формат
- Перетворення ознак для підвищення точності моделі
- Вибір частини ознак
Учасники освоять основні бібліотеки для візуалізації даних в python, будуть правильно вибирати види графіків для візуалізації даних різних типів.
навчання з учителем. Логістична регресія
Реалізації логістичної регресії за допомогою методу стохастичного градієнтного спуску
завдання класифікації. Метод найближчих сусідів
Алгоритм kNN. Вплив нормалізації даних у kNN. Структури даних для оптимізації kNN. Крос валідація. Методи оцінки якості алгоритмів класифікації.
https://privatelink.de/?https://otus.ru/