Щоб бути крутим фахівцем в Machine Learning, недостатньо просто розібратися в принципах роботи класичних моделей. Потрібно бути універсальним фахівцем і розуміти, як саме все працює, і тут знадобиться математика.
переваги курсу
Ми розповідаємо про математику зрозуміло. Наша мета - не зробити з вас фахівця з фундаментальний математики, але навчити вас розуміти закони математики для побудови моделей.
Курс складається здебільшого з практики, яка не обмежується вирішенням класичних рівнянь і абстрактних завдань. Ви зрозумієте, як знання математики і статистики працює у вирішенні реальних життєвих завдань в області аналізу даних, прогнозування та оптимізації.
Ми розглядаємо застосування математичних і статистичних закономірностей в машинному навчанні і нейронних мережах, щоб ви в подальшому могли працювати не тільки з типовими моделями і архітектурами.
У нас є не тільки спільнота однодумців, з якими ви можете обговорити труднощі і поділитися наболілим, а й підтримка ментора, який допоможе вийти з глухого кута. Ви не залишитеся з труднощами один на один.
Частина 1
Лінійна алгебра
Вивчаємо вектора і види матриць
Вчимося проводити операції над матрицями
Визначаємо лінійну залежність за допомогою матриць
Вивчаємо Зворотні, вироджені і невироджені матриці
Вивчаємо системи лінійних рівнянь, власні та комплексні числа
Освоюємо матричне і сингулярне розкладання
вирішуємо задачі лінійної залежності за допомогою матриць
оптимізуємо за допомогою методу головних компонент
закріплюємо математичні основи лінійної регресії
Частина 2
Основи матаналізу
Вивчаємо функції однієї і багатьох змінних і похідні
Освоюємо поняття градієнта і градієнтного спуску
Тренуємося в задачах оптимізації
Вивчаємо метод множників Лагранжа, метод Ньютона і імітацію відпалу
вирішуємо завдання передбачення і пошуку виграшної стратегії за допомогою похідних і чисельних методів оптимізації
закріплюємо математичні основи градієнтного спуску і імітації відпалу
Частина 3
Основи теорії ймовірності та статистики
Вивчаємо загальні поняття описової та математичної статистики
Освоюємо комбінаторику
Вивчаємо основні типи розподілів і кореляції
Розбираємося в теоремі Байєса
Вивчаємо наївний байєсівський Класифікатор
вирішуємо задачі комбінаторики, валідності та прогнозування методами статистики та теорії ймовірності
закріплюємо математичні основи класифікації та логістичної регресії
Частина 4
Часові ряди та інші математичні методи
Знайомимося з аналізом часових рядів
Освоюємо більш складні типи регресій
прогнозуємо бюджет за допомогою часових рядів
закріплюємо математичні основи класичних моделей машинного навчання
коротка програма курсу з Machine Learning
Допомога наставника протягом навчання
Модуль 1
Введення в Машинне навчання
Знайомимося з основними завданнями і методами machine learning, вивчаємо практичні кейси і застосовуємо базовий алгоритм роботи над ml-проектом
Вирішуємо 50 + завдань на закріплення теми
Модуль 2
Методи передобробки даних
Вивчаємо типи даних, вчимося очищати і збагачувати дані, використовуємо візуалізацію для передобробки і освоюємо feature engineering
Вирішуємо 60 + завдань на закріплення теми
Модуль 3
Регресія
Освоюємо лінійну і логістичну регресію, вивчаємо межі застосовності, аналітичний висновок і регуляризацію. Навчаємо моделі регресії
Вирішуємо 40 + завдань на закріплення теми
Модуль 4
Кластеризація
Освоюємо навчання без вчителя, практикуємося в його різних методах, Працюємо з текстами засобами ML
Вирішуємо 50 + завдань на закріплення теми
Модуль 5
Tree-based алгоритми: введення в Дерева
Знайомимося з вирішальними деревами та їх властивостями, освоюємо дерева з бібліотеки sklearn і використовуємо Дерева для вирішення завдання регресії
Вирішуємо 40 + завдань на закріплення теми
Модуль 6
Tree-based алгоритми: ансамблі
Вивчаємо особливості ансамблів дерев, практикуємося в бустингу, використовуємо ансамбль для побудови логістичної регресії
Вирішуємо 40 + завдань на закріплення теми
Беремо участь у змаганні на kaggle з навчання tree-based моделі
Модуль 7
Оцінка якості алгоритмів
Вивчаємо принципи розбиття вибірки, недо - і перенавчання, оцінюємо моделі за різними метриками якості, вчимося візуалізувати процес навчання
Оцінюємо якість декількох моделей ml
Вирішуємо 40 + завдань на закріплення теми
Модуль 8
Часові ряди в машинному навчанні
Знайомимося з аналізом часових рядів в ML, освоюємо лінійні моделі і XGBoost, вивчаємо принципи крос-валідації і підбору параметрів
Вирішуємо 50 + завдань на закріплення теми
Модуль 9
Рекомендаційні системи
Вивчаємо методи побудови рекомендаційних систем, освоюємо SVD-алгоритм, оцінюємо якість рекомендацій навченої моделі
Вирішуємо 50 + завдань на закріплення теми
Модуль 10
Фінальний хакатон
Застосовуємо всі вивчені методи для отримання максимальної точності передбачень моделі на Kaggle
Лінійна алгебра
Вивчаємо вектора і види матриць
Вчимося проводити операції над матрицями
Визначаємо лінійну залежність за допомогою матриць
Вивчаємо Зворотні, вироджені і невироджені матриці
Вивчаємо системи лінійних рівнянь, власні та комплексні числа
Освоюємо матричне і сингулярне розкладання
вирішуємо задачі лінійної залежності за допомогою матриць
оптимізуємо за допомогою методу головних компонент
закріплюємо математичні основи лінійної регресії
Частина 2
Основи матаналізу
Вивчаємо функції однієї і багатьох змінних і похідні
Освоюємо поняття градієнта і градієнтного спуску
Тренуємося в задачах оптимізації
Вивчаємо метод множників Лагранжа, метод Ньютона і імітацію відпалу
вирішуємо завдання передбачення і пошуку виграшної стратегії за допомогою похідних і чисельних методів оптимізації
закріплюємо математичні основи градієнтного спуску і імітації відпалу
Частина 3
Основи теорії ймовірності та статистики
Вивчаємо загальні поняття описової та математичної статистики
Освоюємо комбінаторику
Вивчаємо основні типи розподілів і кореляції
Розбираємося в теоремі Байєса
Вивчаємо наївний байєсівський Класифікатор
вирішуємо задачі комбінаторики, валідності та прогнозування методами статистики та теорії ймовірності
закріплюємо математичні основи класифікації та логістичної регресії
Частина 4
Часові ряди та інші математичні методи
Знайомимося з аналізом часових рядів
Освоюємо більш складні типи регресій
прогнозуємо бюджет за допомогою часових рядів
закріплюємо математичні основи класичних моделей машинного навчання
коротка програма курсу з Machine Learning
Допомога наставника протягом навчання
Модуль 1
Введення в Машинне навчання
Знайомимося з основними завданнями і методами machine learning, вивчаємо практичні кейси і застосовуємо базовий алгоритм роботи над ml-проектом
Вирішуємо 50 + завдань на закріплення теми
Модуль 2
Методи передобробки даних
Вивчаємо типи даних, вчимося очищати і збагачувати дані, використовуємо візуалізацію для передобробки і освоюємо feature engineering
Вирішуємо 60 + завдань на закріплення теми
Модуль 3
Регресія
Освоюємо лінійну і логістичну регресію, вивчаємо межі застосовності, аналітичний висновок і регуляризацію. Навчаємо моделі регресії
Вирішуємо 40 + завдань на закріплення теми
Модуль 4
Кластеризація
Освоюємо навчання без вчителя, практикуємося в його різних методах, Працюємо з текстами засобами ML
Вирішуємо 50 + завдань на закріплення теми
Модуль 5
Tree-based алгоритми: введення в Дерева
Знайомимося з вирішальними деревами та їх властивостями, освоюємо дерева з бібліотеки sklearn і використовуємо Дерева для вирішення завдання регресії
Вирішуємо 40 + завдань на закріплення теми
Модуль 6
Tree-based алгоритми: ансамблі
Вивчаємо особливості ансамблів дерев, практикуємося в бустингу, використовуємо ансамбль для побудови логістичної регресії
Вирішуємо 40 + завдань на закріплення теми
Беремо участь у змаганні на kaggle з навчання tree-based моделі
Модуль 7
Оцінка якості алгоритмів
Вивчаємо принципи розбиття вибірки, недо - і перенавчання, оцінюємо моделі за різними метриками якості, вчимося візуалізувати процес навчання
Оцінюємо якість декількох моделей ml
Вирішуємо 40 + завдань на закріплення теми
Модуль 8
Часові ряди в машинному навчанні
Знайомимося з аналізом часових рядів в ML, освоюємо лінійні моделі і XGBoost, вивчаємо принципи крос-валідації і підбору параметрів
Вирішуємо 50 + завдань на закріплення теми
Модуль 9
Рекомендаційні системи
Вивчаємо методи побудови рекомендаційних систем, освоюємо SVD-алгоритм, оцінюємо якість рекомендацій навченої моделі
Вирішуємо 50 + завдань на закріплення теми
Модуль 10
Фінальний хакатон
Застосовуємо всі вивчені методи для отримання максимальної точності передбачень моделі на Kaggle
https://privatelink.de/?https://skillfactory.ru/matematika-i-machine-learning-dlya-data-science?utm_source=advcake&utm_medium=cpa&utm_campaign=affiliate&utm_content=buyavetsgmailcom&advcake_params=079787d0eaf2f80e1752887b83065234&utm_term=079787d0eaf2f80e1752887b83065234&sub1=checkroi-blog&sub2=top-10&keyword=https://skillfactory.ru/math_and_ml