[Фоксфорд] Машинное обучение и анализ данных на Python 2020 (Николай Осипов)

На этом курсе мы погрузимся в одну из самых развивающихся, обсуждаемых и востребованных на рынке труда сфер - это Data Science (или Наука о Данных). Сначала мы научимся самостоятельно работать с данными и анализировать их на языке Python, а потом научим компьютеры решать задачи за нас. Помимо изучения теории и выполнения домашних заданий, мы будем участвовать в соревнованиях по машинному обучению на платформе Kaggle. Кому будет полезен курс: Курс будет полезен тем, кто уже изучал основы программирования и хочет расширить область своих знаний, окунуться в Data Science, понять, что такое нейронные сети и искусственный интеллект. Какие знания даёт курс: Уверенное знание Python и основных библиотек для DS, умение работать с алгоритмами машинного обучения для задач классификации и регрессии, практический опыт участия в соревнованиях по данной тематике. Содержание Блок 1 - Основы Python (повторение, краткий обзор) Основные управляющие конструкции Python Функции Списки Объектно-ориентированное программирование Блок 2 - Знакомство с библиотеками для Data Science Numpy Matplotlib Random Pandas Seaborn Sklearn Блок 3 - Введение в машинное обучение Основы линейной алгебры. Библиотека scipy. Функции потерь Алгоритмы линейной регрессии и классификации Настройка моделей: переобучение, регуляризация, подбор гиперпараметров, метрики качества Случайные деревья Композиции алгоритмов: бэггинг и случайный лес Соревнования на kaggle Обучение без учителя: кластеризация, понижение размерности Блок 4 - Анализ данных на практике Доверительные интервалы, проверка гипотез А/B - тестирование Статистические критерии Поиск закономерностей и зависимостей в данных Прогнозирование временных рядов Соревнования на kaggle Блок 5 - Глубокое обучение Введение в нейронные сети. Задачи DL и AI Построение многослойного перцептрона Производная и градиент. Методы градиентного спуска Настройка нейронных сетей: подбор гиперпараметров, софтмакс, разбиение на батчи Знакомство с фреймворком pytorch Основы сверточных нейронных сетей Архитектуры CNN. Трансфер-лернинг Задачи компьютерного зрения: сегментация и детекция изображений Избранные задачи NLP. Соревнования на kaggle Создание искусственных данных с помощью GAN Путь Data Scientist’а Показать больше