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!