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

Машинное обучение и анализ данных на Python [2020]
Фоксфорд
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.​

Спойлер: 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

Продажник