Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
Записанные лекции
Сертификат
Сертификат
Да

Стоимость курса

1 900 ₽
нет рассрочки

Чему вы научитесь

  • Построение моделей машинного обучения с учителем (Supervised Learning)
  • Применение NumPy для работы с числами в Python
  • Использование Seaborn для создания красивых графиков визуализации данных
  • Применение Pandas для манипуляции с данными в Python
  • Элементы Matplotlib для детальной настройки визуализаций данных в Python
  • Конструирование признаков (Feature Engineering) на реалистичных примерах
  • Алгоритмы регрессии для предсказания непрерывных переменных
  • Навыки подготовки данных к машинному обучению
  • Алгоритмы классификации для предсказания категориальных переменных
  • Создание портфолио проектов машинного обучения и Data Science
  • Работа с Scikit-Learn для применения различных алгоритмов машинного обучения
  • Быстрая настройка Anaconda для работ по машинному обучению
  • Понимание полного цикла этапов работ по машинному обучению

Начальные требования

Базовые знания Python (на уровне функций).

Либо опыт работы с другими языками программирования + готовность изучать Python в процессе курса.

О курсе

В этом курсе Вы изучите следующие темы:

- Программирование в Python (экспресс-курс)

- NumPy в Python

- Детальное изучение Pandas для анализа и предварительной обработки данных

- Детальное изучение Seaborn для визуализации данных (включая Matplotlib для кастомизации графиков)

- Машинное обучение с применением библиотеки SciKit Learn, включая следующие темы:

  • Linear Regression - Линейная Регрессия
  • Regularization - Регуляризация
  • Lasso Regression - Лассо-Регрессия
  • Ridge Regression - Ридж-Регрессия
  • Регуляризация Elastic Net
  • Logistic Regression - Логистическая регрессия
  • K Nearest Neighbors - Метод К-ближайших соседей
  • Decision Trees - Деревья решений
  • Random Forests - Случайные леса
  • AdaBoost, GradientBoosting - Адаптивный бустинг, Градиентный бустинг
  • Natural Language Processing - Обработка языковых данных
  • K Means Clustering - Кластеризация К-средних
  • Hierarchical Clustering - Иерархическая кластеризация
  • DBSCAN (Density-based spatial clustering of applications with noise) - Кластеризация на основе плотности данных
  • PCA - Principal Component Analysis - Метод главных компонент
  • И многое, многое другое!

Внутри курса находится набор блокнотов Jupyter Notebook с примерами кода и детальным описанием. Для каждой лекции это отдельные блокноты, которые разложены по папкам с соответствии с разделами курса.  Так что Вы сможете не только просмотреть видео-лекции, но и прочитать блокноты.  Это особенно удобно, когда Вам нужно что-то вспомнить или быстро пробежаться по материалу в поисках нужной информации.

Надеемся, что Вы запишетесь на этот курс и прокачаете Ваши навыки! Добро пожаловать!

Что вы получите после обучения

Приобретаемые навыки
1
NumPy
2
Pandas
4
Scikit-learn
5
Matplotlib
6
Seaborn
7
Jupyter Notebook

Вас будут обучать

Телеграм-канал: https://t.me/courses_vlad_burmistrov

Телеграм-канал: https://t.me/courses_vlad_burmistrov
Всем привет!
На основной работе я занимаюсь построением аналитических решений для крупнейших Заказчиков как в России, так и за рубежом. Эти решения требуют обработки больших объёмов данных - это озёра данных и хранилища данных, информацию из которых нужно обрабатывать, в том числе с помощью SQL и Python. Опыт работы более 18 лет.
Также я периодически провожу обучающие курсы (тренинги) для программистов по базам данных и другим темам. Это формат обучения "в учебном классе" для Заказчиков.
В качестве хобби занимаюсь разработкой под iOS и Web.
Высшее техническое и высшее экономическое образование.
Добро пожаловать на мои авторские курсы.:)

Образовательная организация

Stepik — образовательная платформа и конструктор онлайн-курсов.

Мы разрабатываем алгоритмы адаптивного обучения, сотрудничаем с авторами MOOC, помогаем в проведении олимпиад и программ переподготовки.

Наша цель — сделать образование открытым и удобным.

Stepik — широко известная российская образовательная платформа, основанная в 2013 году. На Stepik зарегистрировано более миллиона пользователей из России и стран СНГ. В настоящее время на Stepik представлены несколько тысяч учебных курсов на самые разные темы.

Платформа Stepik включает в себя конструктор бесплатных занятий и уроков. Создать интерактивный обучающий курс может любой зарегистрированный пользователь. При этом авторы обучающих материалов сохраняют авторские права. Сервис не имеет ограничений по числу обучающихся на курсе.

Stepik имеет обширные возможности по созданию онлайн-курсов, обучающих занятий и уроков с использованием текстов, видео, картинок, тестовых задач, в процессе выполнения которых можно вести обсуждения с остальными обучающимися, а также с преподавателем. Всего в Stepik присутствует 20 типов заданий, проверка которых может осуществляться как в автоматическом, так и в ручном режиме.

Большим преимуществом данной платформы является возможность встраивать созданные материалы на сторонние сайты, например, Moodle и Canvas.

Кроме того, Stepik может использоваться в качестве площадки для проведения разнообразных мероприятий, таких как олимпиады и конкурсы.

Интерфейс платформы полностью русскоязычный, достаточно дружественный и интуитивно понятный. Платформа полностью бесплатна.

За каждый пройденный курс в Stepik обучающийся получает сертификат о прохождении. Получение сертификата также бесплатно.

Программа курса

Вводная часть курса

ОПЦИОНАЛЬНО: Экспресс-курс по Python

Этапы работ по машинному обучению

NumPy

Pandas

Matplotlib

Seaborn

Большой Проект по Визуализации Данных

Обзор Машинного Обучения

Линейная Регрессия

Конструирование признаков (Feature Engineering) и подготовка дан

Кросс-валидация и Проверочный проект по линейной регрессии

Логистическая регрессия

Метод К-ближайших соседей (KNN - K-Nearest Neighbors)

Метод опорных векторов (SVM - Support Vector Machines)

Деревья решений - Decision Trees 

Случайные леса - Random Forests

Бустинг и Расширяемые деревья - Boosted Trees

Проверочный проект по моделям обучения с учителем (Supervised Le

Natural Language Processing и Наивный Байесовский Классификатор

Машинное обучение без учителя - Unsupervised Learning

Кластеризация К-Средних - K-Means Clustering

Иерархическая кластеризация данных

DBSCAN - Кластеризация на основе плотности данных

Метод главных компонент (PCA - Principal Component Analysis)

Резюме курса

Рейтинг курса

4
рейтинг
0
0
0
0
0

Может быть интересно

обновлено 22.03.2023 08:59
Машинное Обучение в Python: Большой Курс для Начинающих

Машинное Обучение в Python: Большой Курс для Начинающих

Оставить отзыв
Поделиться курсом с друзьями