Курс: Machine Learning (Машинное обучение) от 0 до Про

Продолжительность курса: 40 ак. ч.

Описание курса:
На базовом курсе вы получите навыки Python, математический фундамент и понимание основных принципов и кейсов машинного обучения.

Аудитория:
• Разработчики;
• Аналитики;
• Начинающие ML-специалистам.
Необходимая подготовка:
Уверенно владеть языком программирования Python, знать основы математики.

Программа курса:

Модуль 1. Основы программирования на Python:
• Базовые типы данных (неизменяемые);
• Управление ходом выполнения программы (ветвления, циклы);
• Работа с коллекциями данных;
• Создание и использование функций;
• Чтение и запись файлов.

Модуль 2. Продвинутый уровень Python:
• Работа с модулями и пакетами;
• Введение в объектно-ориентированное программирование (ООП);
• Продвинутые концепции ООП;
• Написание автоматизированных тестов;
• Изучение стандартных библиотек Python;
• Работа с Git и командной строкой (shell).
• Практические задания для закрепления материала.

Модуль 3. Python в задачах машинного обучения и работы с данными:
• Введение в NumPy: основные структуры и операции;
• Библиотека Pandas: анализ и обработка данных;
• Визуализация данных средствами Python;
• Практика: формирование набора данных из необработанных источников;
• Общее представление о базах данных, SQL и теории множеств;
• Работа с таблицами и представлениями, простые запросы;
• Использование JOIN, EXISTS, вложенных подзапросов, группировка данных (GROUP BY, HAVING);
• Оконные функции SQL: виды и практическое применение.

Модуль 4. Математическая база для машинного обучения:
• Матрицы: определение, операции, применение;
• Линейная алгебра: понятие базиса, линейные отображения;
• Разложение матриц и их практическое применение в Python;
• Дифференцирование функций и методы оптимизации;
• Практика: вычисление производных и поиск экстремумов;
• Метод наименьших квадратов;
• Аксиоматический подход к теории вероятностей. Случайные величины;
• Многомерные случайные величины, центральная предельная теорема;
• Основы математической статистики. Точечные оценки;
• Проверка гипотез, включая A/B тестирование;
• Анализ взаимосвязей между переменными: номинальные, порядковые, количественные шкалы;
• Практика: исследование зависимостей между типами данных.

Модуль 5. Основные алгоритмы машинного обучения:
• Введение в машинное обучение;
• Задача регрессии. Реализация линейной регрессии;
• Задача классификации. Метод k-ближайших соседей;
• Выбор темы для итогового проекта;
• Логистическая регрессия;
• Алгоритмы деревьев решений;
• Ансамблевые методы (бустинг, бэггинг);
• Feature Engineering и продвинутая предобработка данных;
• Практические занятия по построению моделей.


Окончательная цена указывается в договоре на обучение. Записаться на курс