Открыто

Математика и Machine Learning для Data Science [SkillFactory] [Эмиль Магеррамов, Аяна Шелик]

Тема в разделе "Разные аудио и видеокурсы", создана пользователем Королева Несмеяна, 28 апр 2022.

Цена: 47940р.-95%
Взнос: 2191р.

Основной список: 24 участников

Резервный список: 3 участников

  1. 28 апр 2022
    #1
    Королева Несмеяна
    Королева Несмеяна СкладчикСкладчик

    Складчина: Математика и Machine Learning для Data Science [SkillFactory] [Эмиль Магеррамов, Аяна Шелик]

    Чтобы быть крутым специалистом в Machine Learning, недостаточно просто разобраться в принципах работы классических моделей. Нужно быть универсальным специалистом и понимать, как именно все работает, и тут понадобится математика.

    Преимущества курса
    Мы рассказываем о математике понятно. Наша цель — не сделать из вас специалиста по фундаментальный математике, но научить вас понимать законы математики для построения моделей.
    Курс состоит по большей части из практики, которая не ограничивается решением классических уравнений и абстрактных заданий. Вы поймете, как знание математики и статистики работает в решении реальных жизненных задач в области анализа данных, прогнозирования и оптимизации.

    Мы рассматриваем применение математических и статистических закономерностей в машинном обучении и нейронных сетях, чтобы вы в дальнейшем могли работать не только с типовыми моделями и архитектурами.
    У нас есть не только сообщество единомышленников, с которыми вы можете обсудить затруднения и поделиться наболевшим, но и поддержка ментора, который поможет выйти из тупика. Вы не останетесь с трудностями один на один.

    Часть 1
    Линейная алгебра
    Изучаем вектора и виды матриц
    Учимся проводить операции над матрицами
    Определяем линейную зависимость с помощью матриц
    Изучаем обратные, вырожденные и невырожденные матрицы
    Изучаем системы линейных уравнений, собственные и комплексные числа
    Осваиваем матричное и сингулярное разложение
    Решаем задачи линейной зависимости с помощью матриц
    Оптимизируем с помощью метода главных компонент
    Закрепляем математические основы линейной регрессии

    Часть 2
    Основы матанализа
    Изучаем функции одной и многих переменных и производные
    Осваиваем понятие градиента и градиентного спуска
    Тренируемся в задачах оптимизации
    Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
    Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
    Закрепляем математические основы градиентного спуска и имитации отжига

    Часть 3
    Основы теории вероятности и статистики
    Изучаем общие понятия описательной и математической статистики
    Осваиваем комбинаторику
    Изучаем основные типы распределений и корреляции
    Разбираемся в теореме Байеса
    Изучаем наивный байесовский классификатор
    Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теории вероятности
    Закрепляем математические основы классификации и логистической регрессии

    Часть 4
    Временные ряды и прочие математические методы
    Знакомимся с анализом временных рядов
    Осваиваем более сложные типы регрессий
    Прогнозируем бюджет с помощью временных рядов
    Закрепляем математические основы классических моделей машинного обучения

    Краткая программа курса по Machine Learning
    Помощь наставника на протяжении обучения
    Модуль 1
    Введение в машинное обучение
    Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
    Решаем 50+ задач на закрепление темы

    Модуль 2
    Методы предобработки данных
    Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
    Решаем 60+ задач на закрепление темы

    Модуль 3
    Регрессия
    Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
    Решаем 40+ задач на закрепление темы

    Модуль 4
    Кластеризация
    Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
    Решаем 50+ задач на закрепление темы

    Модуль 5
    Tree-based алгоритмы: введение в деревья
    Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
    Решаем 40+ задач на закрепление темы

    Модуль 6
    Tree-based алгоритмы: ансамбли
    Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
    Решаем 40+ задач на закрепление темы
    Участвуем в соревновании на kaggle по обучению tree-based модели

    Модуль 7
    Оценка качестваалгоритмов
    Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
    Оцениваем качество нескольких моделей ML
    Решаем 40+ задач на закрепление темы

    Модуль 8
    Временные ряды в машинном обучении
    Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
    Решаем 50+ задач на закрепление темы

    Модуль 9
    Рекомендательные системы
    Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
    Решаем 50+ задач на закрепление темы

    Модуль 10
    Финальный хакатон
    Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle

    Скрытая ссылка
     
  2. Последние события

    1. Ichate
      Ichate участвует.
      8 май 2024
    2. gohas
      gohas не участвует.
      15 янв 2024
    3. Yuooo77
      Yuooo77 не участвует.
      5 дек 2023
    4. skladchik.com
      В складчине участвует 30 человек(а).
      30 ноя 2023