Онлайн-курс, вебинар Математика и Machine Learning для Data Science

Даты начала обучения

Продолжительность:
20 недель

Стоимость обучения:

47 900 р.
Записаться на курс
Добавить к сравнению

Каждый, кто начинает свой путь в Data Science, стремится когда-нибудь дорасти до уровня Senior. Но требования к специалистам такого уровня, особенно в крупных компаниях, очень высоки. Большинство соискателей не могут пройти собеседование.

Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, мало владеть основными методами машинного обучения и нейронных сетей: важно понимать законы математики и статистики у них "под капотом".

Мы объединили 2 важных курса: вы сможете изучить сначала математику, а затем научитесь строить модели машинного обучения, или проходить два курса параллельно и освоить новую профессию всего за 3 месяца.

Программа курса

Программа курса по математике

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 теорвера
  • 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

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 качества алгоритмов

  • 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

Преподаватели

Антон Киселев
Head of R&D, компания EORA
Аяна Шелике
Преподаватель статистики и линейной алгебры МИЭФ ВШЭ, выпускница мехмата МГУ
Сергей Веренцов
CTO, компания EORA
Эмиль Магеррамов
COO Data Lab, компания EORA

Даты и места проведения

Онлайн

Похожие курсы

Посмотреть все похожие курсы

Мы бесплатно подберем для Вас подходящие курсы.

 Подборка курсов на e-mail
Пользуясь нашим сайтом, вы соглашаетесь с тем, что мы используем cookies  🍪