Изучение обратных, вырожденных и невырожденных матриц
Разбор систем линейных уравнений, собственных и комплексных чисел
Освоение матричного и сингулярного разложения
Решение задач с помощью матриц для выявления линейной зависимости
Оптимизация с применением метода главных компонент
Укрепление математической базы линейной регрессии
Часть 2. Основы математического анализа
Изучение функций одной и нескольких переменных, производных
Понимание градиента и метода градиентного спуска
Решение задач оптимизации с использованием различных методов
Освоение множителей Лагранжа, метода Ньютона и имитации отжига
Применение производных и численных методов для предсказаний и поиска оптимальных стратегий
Закрепление основ градиентного спуска и имитации отжига
Часть 3. Теория вероятностей и статистика
Введение в описательную и математическую статистику
Изучение основ комбинаторики
Анализ ключевых распределений и корреляций
Понимание теоремы Байеса
Изучение наивного байесовского классификатора
Решение задач комбинаторики, валидации и прогнозирования с использованием статистики и теории вероятности
Укрепление знаний классификации и логистической регрессии
Часть 4. Временные ряды и дополнительные математические методы
Обзор анализа временных рядов
Изучение более сложных типов регрессий
Прогнозирование бюджета с помощью временных рядов
Закрепление математической базы классических моделей машинного обучения
Краткий обзор курса по машинному обучению
Наставник будет сопровождать вас на протяжении всего обучения.
Модуль 1. Введение в машинное обучение
Изучение ключевых задач и методов machine learning, разбор практических примеров и базового алгоритма работы с ML-проектом
Выполнение более 50 практических заданий
Модуль 2. Методы предобработки данных
Разбор типов данных, очистка и обогащение данных, визуализация и освоение feature engineering
Выполнение более 60 практических заданий
Модуль 3. Регрессия
Освоение линейной и логистической регрессии, понимание ограничений и регуляризации, обучение моделей регрессии
Выполнение более 40 практических упражнений
Модуль 4. Кластеризация
Практика методов обучения без учителя, работа с различными техниками кластеризации и текстовыми данными
Выполнение более 50 заданий
Модуль 5. Деревья решений
Знакомство с деревьями решений, работа с библиотекой sklearn, применение деревьев для регрессии
Выполнение более 40 практических заданий
Модуль 6. Ансамбли деревьев
Изучение ансамблей деревьев, практика бустинга и построения логистической регрессии на их основе
Выполнение более 40 практических упражнений
Участие в Kaggle-соревновании по обучению моделей на основе деревьев
Модуль 7. Оценка качества алгоритмов
Изучение методов разбиения выборки, предотвращения переобучения, оценка моделей по разным метрикам, визуализация обучения
Оценка качества нескольких моделей
Выполнение более 40 практических задач
Модуль 8. Временные ряды в машинном обучении
Анализ временных рядов в ML, освоение линейных моделей и XGBoost, методы кросс-валидации и подбора параметров
Выполнение более 50 заданий
Модуль 9. Рекомендательные системы
Изучение создания рекомендательных систем, освоение алгоритма SVD, оценка качества рекомендаций
Выполнение более 50 практических заданий
Модуль 10. Финальный хакатон
Применение всех изученных методов для максимизации точности модели на Kaggle
SkillFactory, онлайн-школа
Мы учим новое поколение профессионалов в Data Science и аналитике
Обучаем Python, Data Science, Machine Learning, разработке и управлению продуктами.
Знания из первых рук: Программы создают практики отрасли, которые в курсе всех трендов в Data Science.
Реальные учебные проекты: Вы работаете над прикладными задачами и пополняете свое портфолио.
Менторы всегда на связи: Наши эксперты быстро окажут вам помощь с учебой и поднимут мотивацию.
Учеба в хорошей компании: Вы станете частью сообщества студентов и преподавателей, которых объединяет любовь к Data Science.
Эффективный формат онлайн-обучения
Занимайтесь в своем темпе
Наши курсы ориентированы на тех, кто работает и хочет сам регулировать нагрузку. Занимайтесь без отрыва от работы и выделяйте на учебу столько времени, сколько есть прямо сейчас, — 15 минут или 2 часа в день.
20% обучения — интересная и важная теория
Теория разбита на короткие блоки, после которых обязательно идёт практика.
Вы смотрите короткие видео, изучаете текстовые материалы и приступаете к заданиям, чтобы закрепить знания
80% обучения — практика в разных форматах
Для развития навыков у нас есть 5 видов практики: тренажёры, тесты, домашние задания, проекты и хакатоны. Разнообразие форматов помогает усваивать знания максимально эффективно.
Менторы и координаторы помогут дойти до конца
Все менторы — опытные практики из IT-индустрии. Они дают качественную обратную связь на задания, отвечают на вопросы и помогают студенту достичь своих целей во время обучения. Выпускники оценивают менторскую поддержку на 9,1 балла из 10.
Координаторы решат любой организационный вопрос, связанный с обучением. Их задача — мотивировать студентов и помочь пройти курс до конца.
Искусственный интеллект тренд современного IT, он всё в большей степени проникает в различные его отрасли и упрощает жизнь человека. Поэтому сейчас весьма востребованы те, кто занимаются его развитием. В числе них специалисты по Machine Learning, которые отвечают за обучение ИИ и подбор/создание...
Помощь и консультация специалиста:
заполните форму, и мы вам перезвоним
Вопросы / Записаться
Вопросы / Записаться
Сайт использует файлы cookie (в том числе, файлы cookie, используемые «Яндекс-метрикой») с целью анализа
поведения посетителей для улучшения Сайта. Продолжая пользоваться Сайтом, вы соглашаетесь на использование
файлов cookie в соответствии с нашей политикой конфиденциальности.