Программирование [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024)

[SliwKa]

Описание [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024):

Этот курс посвящен автоматизации и научит вас, как заставить компьютеры «думать» самостоятельно.

Мы поможем вам уверенно начать карьеру в области машинного обучения (ML) и завершить итоговый проект на реальных данных. Программа состоит из 30% теории и 70% практики.

Вы научитесь:

1. Анализировать и визуализировать большие объемы данных.
2. Превращать бизнес-задачи в задачи машинного обучения.
3. Работать с данными различных типов.

Проекты, которыми может заниматься специалист по машинному обучению:

1. Создание умного поиска, который понимает пользователя с полуслова и точно находит нужные результаты.
2. Разработка алгоритма для персонализированной рекламы в социальных сетях, чтобы клиенты нажимали на баннеры, которые им действительно нравятся.
3. Создание умных ботов для общения с клиентами, таких как «Алиса 2.0» или голосовой помощник «Игорь».
4. Анализ данных компании и предложение рабочих гипотез для увеличения прибыли.

Кому рекомендован курс:

1. Разработчикам, работающим в кросс-функциональных командах с Data Scientist’ами.
   На курсе вы получите знания о специфике разработки ML-моделей, что сделает ваше взаимодействие с коллегами более эффективным. Вы сможете внедрять новые решения и быть уверенными в их пользе для проекта.
2. Инженерам программного обеспечения, инженерам по данным и DevOps инженерам среднего уровня.
   Вы сможете перейти в смежную профессиональную область и выполнять новые задачи. Ваш опыт в данных поможет быстро перейти от уровня Junior Data Scientist до продвинутого специалиста.
3. Тем, кто уже знаком с Python и хочет освоить новое направление.
   Знание библиотек Python пригодится в работе Data Scientist’а. Ваши навыки линейной алгебры, теории вероятностей и математической статистики будут большим плюсом.

В рамках курса мы изучим:

1. Основные алгоритмы и концепции классического машинного обучения.
2. Применение машинного обучения в бизнес-задачах.
3. Базовые подходы к построению нейронных сетей и фреймворк PyTorch для создания нейронных сетей.
4. Основные библиотеки для анализа данных: Pandas, Numpy, Matplotlib, Scikit-learn, Xgboost, Lightgbm, Catboost, Hyperopt.

Инструменты, которые вы освоите:

1. Библиотеки:
   • Pandas
   • Numpy
   • Matplotlib
   • Scikit-learn
   • Xgboost
   • Lightgbm
   • Catboost
   • Hyperopt
2. Алгоритмы:
   • KNN
   • Linear Regression
   • Logistic Regression
   • Clusterization
   • Decision Tree
   • Gradient Boosting

Программа курса:

Модуль 0 - Установочная сессия
Модуль 1 - Введение. Определение ML
Модуль 2 - Анализ данных как первый шаг к ML/DS
Модуль 3 - Постановка задачи машинного обучения на примере KNN
Встреча по темам 1-3
Модуль 4 - Валидация модели и подготовка данных
Модуль 5 - Обучение с учителем — регрессия
Модуль 6 - Обучение с учителем — классификация
Встреча по темам 4-6
Модуль 7 - Деревья решений
Модуль 8 - Обучение без учителя
Модуль 9 - Оптимизация ML-пайплайна
Встреча по темам 7-9 + объяснения итогового проекта
Модуль 10 - Итоговый проект
Модуль 11 - Введение в глубокое обучение (DL + CV)
Модуль 12 - Введение в обработку текстов (NLP)
Модуль 13 - Введение в рекомендательные системы (RecSys)
Модуль 14 - Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал
Модуль 15 - Проект
Встреча по дополнительному модулю + защита проектов

Подробнее:

Скачать курс [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024):

 

[Limonad34]

Спасибо за курс

 

[mahaon]

Спасибо за курс