Продолжительность курса: 16 ак. ч.

Описание курса:
Машинное обучение — это не магия, а строгая дисциплина, построенная на математике, алгоритмах и качественных данных. Курс дает системное понимание всей цепочки создания ML-решений: от сырых данных до работающей модели, готовой к продакшену.
Мы пройдём путь, который проходит настоящий Data Scientist в реальной компании. Вы научитесь грамотно готовить данные, выбирать алгоритмы под задачу, бороться с переобучением и оценивать качество моделей в нестабильных условиях. Особое внимание уделено «тяжёлой артиллерии» индустрии — градиентному бустингу (CatBoost, XGBoost) и методам работы с большими массивами. Курс завершится погружением в мир нейронных сетей, что станет отличным мостиком к глубокому обучению.

Аудитория:
• начинающие Data Scientists
• аналитики данных и BI-специалисты
• Python-разработчики
• Product-менеджеры и руководители

Необходимая подготовка:
• Уверенное владение Python: знание синтаксиса, ООП, структур данных, функций, работа с файлами и исключениями
• Базовые навыки работы с данными: знакомство с библиотеками Pandas и NumPy
• Понимание основ алгоритмов: сложность вычислений, базовые структуры данных

Программа курса:
Модуль 1. Обзор задач машинного обучения
• Введение в машинное обучение
• Задачи, решаемые машинным обучением
• Виды машинного обучения
• Жизненный цикл машинного обучения

Модуль 2. Используемый инструментарий
• Язык программирования python, библиотеки обработки данных
• iPython и jupyter notebook
• Визуализация данных
• Обзор популярных библиотек машинного обучения
• Математические методы

Модуль 3. Предварительная обработка данных
• Первичный анализ и обработка данных
• Отбор признаков
• Понижение размерности
• Обработка текстовых признаков

Модуль 4. Машинное обучение с учителем
• Деревья решений и метод ближайших соседей
• Композиции моделей (случайный лес)
• Линейные модели классификации и регрессии
• Градиентный бустинг
• Практика применения библиотек SkLearn, Yandex CatBoost, XGBoost

Модуль 5. Улучшение качества моделей
• Метрики качества
• Борьба с переобучением
• Оценка достаточности обучающей выборки
• Множественная проверка гипотез
• Обучение на огромных массивах данных
• Применение машинного обучения в изменчивой среде (в нестабильном окружении)

Модуль 6. Машинное обучение без учителя
• Обзор методов кластеризации
• Метод главных компонент
• Поиск аномалий
• Тематическое моделирование
• Визуализация в многомерном пространстве с помощью инструмента TensorBoard

Модуль 7. Основы нейронных сетей
• Введение в нейронные сети
• Метод обратного распространения ошибки
• Практика применения нейронных сетей

Окончательная цена указывается в договоре на обучение. Записаться на курс