Практический курс Data Science и Machine Learning [Datagym] [П.Ермаков, А.Шестаков, М.Трофимов и др.]

Складчина: Практический курс Data Science и Machine Learning [Datagym] [П.Ермаков, А.Шестаков, М.Трофимов и др.]

О курсе
Наша цель – научить вас практическому применению Data Science и Машинного обучения. Поэтому мы сделали упор на практические навыки (естественно, не забывая о теории). Каждый преподаватель выступает в роли персонального тренера навыков Data Science и поддерживает на всех этапах курса.

Мы учим не только решать задачи, но и находить их в реальных проектах. Будет тяжело и больно, но вам понравится.

Для кого этот курс?
Курс подойдет разработчикам, аналитикам, техническим менеджерам и всем, кто не боится испачкать руки в программном коде.

Для старта на курсе кандидату необходимо знать математику на базовом уровне, владеть любым языком программирования или иметь базовые знания языка Python.

Типичная лекция

1. Подготовительный материал
За 3 дня до лекции вы получаете раздаточный материал в формате видео или PDF, чтобы технический и математический уровень студентов был одинаковый.
2. 3-х часовая лекция
После занятия мы присылаем видеозапись лекции. Если вы не можете физически присутствовать на занятии, подключайтесь к онлайн-трансляции.
3. Тест
После каждой лекции мы присылаем тест для проверки усвоения материала, поиска и устранения пробелов.
4. Домашняя работа
Выполнение домашних работ займёт минимум 8 часов в неделю.

И что на выходе?

• Научитесь видеть задачи машинного обучения, получите опыт их решения.
• Погрузитесь в область анализа данных.
• Познакомитесь с основными библиотеками, алгоритмами и подходами Data Science.
• Получите набор лекций и кода, к которым можно возвращаться в своей практике.
• Найдете новых знакомых и коллег по индустрии.

Программа курса

Разведочный анализ данных (EDA)
3 часа и 2 практических задания

• Введение в python
• Обработка табличных данных
• Визуализация данных

Введение в машинное обучение и анализ данных
3 часа и 1 практическое задание

• Основные направления машинного обучения
• Примеры применения машинного обучения
• Метрики и их важность в машинном обучении

Методы машинного обучения
6 часов и 2 практических задания

• Линейные методы
• Деревья принятия решения
• Метод К-ближайших соседей

Анализ текстовых данных
9 часов и 3 практических задания

• Подход "Bag Of Words"
• Морфологический и синтаксический анализ текста
• Выделение фактов из текста
• Тематическое моделирование
• Word embedding и Word2Vec

Работа с признаками машинного обучения
3 часа и 2 практических задания

• Создание новых признаков машинного обучения
• Подготовка Pipeline-ов

Другие области машинного обучения
9 часов и 3 практических задания

• Онлайн-обучение
• Введение в рекомендательные системы
• Введение в Deep Learning

Ансамблирование методов машинного обучения
3 часа и 1 практическое задание

• Случайный лес
• Градиентный бустинг
• Стекинг
• Блендинг

Анализ временных рядов
3 часа и 1 практическое задание

• ARIMA-подход
• Классическое машинное обучение на временных рядах
• Facebook Prophet
• Amazon GluonTS

Машинное обучение без учителя
3 часа и 2 практических задания

• Кластеризация
• Снижение размерности
• Применение подходов машинного обучения без учителя для генерации новых признаков

Машинное обучение в production
3 часа и 1 практическое задание

• Как завернуть модель машинного обучения в web-сервис
• Как настроить переобучение модели
• Особенности внедрения машинного обучения в production
• Docker-образ для Data Science

Курсовой проект
Результатом обучения станет курсовой проект, а главное требование к нему – готовое MVP.
В течение курса студенты разбиваются на группы по 2-3 человека и выбирают тему курсового проекта. Последние 3 недели курса команды самостоятельно работают над проектом. На последнем занятии группа и преподаватели собираются на защиту и обсуждение проектов.

Скрытая ссылка