Учим начинающих дата-сайентистов ориентироваться в ML для решения рабочих задач

старт в любой момент

введение в машинное обучение

Проект

Для портфолио

25 минут

Среднее время лекций

132 часа

Нетривиальной практики с реальными датасетами

Без углубления

В математику

Основные алгоритмы и задачи классического машинного обучения

Базовые подходы для построения нейронных сетей, фреймворк PyTorch для их написания

Основные библиотеки для анализа данных: numpy, scipy, pandas, matplotlib, scikit-learn

Применение машинного обучения в бизнес-задачах

Модель, прогнозирующая потребление электроэнергии

Модель кредитного скоринга, предсказывающая, вернёт ли клиент банка кредит

Свой проект, если спикеры подтвердят, что его можно реализовать в рамках курса

Разбираемся в математике, но не закапываемся в ней. Освоим уровень, нужный для понимания принципов решения ML-задач

Нетривиальная практика, основанная на бизнес-кейсах. Никаких надоевших задач про Титаник, только новые дата-сеты

Вопросы с собеседований. Даём такой материал, что после курса студент сможет претендовать на должность Junior Data Scientist

Нарастающая сложность. Делаем всё, чтобы процесс обучения был посильным для каждого

Короткие лекции с текстовыми расшифровками. Чтобы можно было с пользой проводить время за завтраком или в транспорте

Тем, кто хочет применять Data Science в текущих рабочих задачах

Тем, кто хочет получить профессию Data-сайентиста

Тем, кто работает в ML-команде, но не понимает на каком языке общаются коллеги

Владение Python или другим высокоуровневым языком: настройка рабочего окружения, базовый синтаксис, циклы, условия, основные структуры данных

Оценивать качество моделей с использованием метрик для задач регрессии и классификации, а также выбирать подходящие методы оценки для конкретных задач

Преобразовывать бизнес-задачи в задачи машинного обучения и выбирать алгоритмы для их решения

Работать с пропущенными данными и данными различных типов, применяя соответствующие методы обработки

Обучать и оптимизировать ML-модели с использованием Scikit-learn, XGBoost, LightGBM и CatBoost

Строить графики и визуальные представления данных для принятия решений

Применять алгоритмы kNN, Linear Regression, Logistic Regression, Clustering, Decision Trees, Gradient Boosting

Анализировать и визуализировать большие объёмы данных с помощью JupyterLab, NumPy, SciPy, Pandas, и Matplotlib

Стоимости продажи дома

Времени доставки еды

Спроса на товары в e-com

Pandas

Numpy

Matplotlib

Scikit-learn

Xgboost

Lightgbm

Catboost

Hyperopt

KNN

Linear Regression

Logistic Regression

Clusterization

Decision Tree

Gradient Boosting

Иван Аникин

Team Lead Yandex.Edadeal

Владимир Бугаевский

Team Lead Купер

Подробнее о спикере

Подробнее о спикере

Реализовал IaC для AWX в enterprise

Проект (опционально)

тема 15

Именной сертификат с индивидуальным номером получает студент, если:

Видеокурс

Видеоуроки, доступ 2 года

Практические задания

Свидетельство

в рассрочку на 4 месяца или 35 000 ₽ единовременно

8 750 ₽/мес

Написать нам

В 75% случаев обучение готова оплатить компания. Напишите нам, и мы поможем.

Курс за счёт работодателя

Узнать про вычет

Предоставим все необходимые документы для получения вычета.

Налоговый вычет 13%

Студентам видеокурсов доступна проверка от эксперта за дополнительную плату.

Для получения номерного сертификата достаточно успешно зачтённого финального проекта.

Стоимость:

• проверка практического задания 3 000₽
• проверка финального проекта 10 000₽

Стоимость:

Больше чем Pandas: библиотеки подготовки данных для ML-моделей

На вебинаре обсудим:

Вебинар прошел 24.09.24

Data Scientist — это специалист в области ML, который умеет создавать модели машинного обучения. Публикуем записи с вебинара Слёрм, где даём подробное разъяснение по направлению

Нужна консультация?

задайте нам свой вопрос