Скачать 

[PyMagic] Data Science для начинающих [Никулина Анастасия, Петр Ермаков]

Цена: 195 РУБ
Организатор: Robot
Список участников складчины:
  • 1. osnovrh
Robot
Robot
Складчик
  • #1

[PyMagic] Data Science для начинающих [Никулина Анастасия, Петр Ермаков]

Ссылка на картинку
# Для кого
Подойдет для начинающих, кто только хочет освоить машинное обучение, не важно, в какой сфере вы работали. Также нужны знания школьной математики, базовых принципов

# Что получаете
Знания, как работают алгоритмы машинного обучения
Практика на реальных данных
Собственный pet-project

# Трудоустройство
Помогаем грамотно составить резюме
Проведем предварительное собеседование

Программа:
Основы Python
  • Что такое Python?
  • Основные структуры данных и типы переменных
  • Anaconda & Jupyter Notebook
  • Алгоритмы сортировки
SQL
  • Основы синтаксиса
  • Соединение таблиц
  • Оконные функции
  • Ранжирующие функции
  • Функции смещения
Математический анализ
  • Графики функций
  • Предел и производная
  • Задача нахождения экстремума
  • Интеграл
  • Градиент
Линейная алгебра
  • Векторы и операции на ними
  • Матрицы и операции над ними
  • Системы линейных уравнений (СЛАУ)
  • Методы решения систем линейных алгебраических уравнений
  • Матричные разложения
  • Сингулярное разложение матриц SVD
Статистика
  • Основные определения
  • Описательные статистики
  • Параметры, характеризующие разброс
  • Нормальное распределение
  • Центральная предельная теорема
  • Доверительные интервалы
  • Проверка гипотез. Меры различий
  • Параметрические критерии. Одновыборочный критерий t-Стьюдента
  • Параметрические критерии. Двухвыборочный критерий t-Стьюдента
  • Непараметрические критерии. Критерии Манна-Уитни
  • Корреляция
  • Корреляция Пирсона
  • Корреляция Спирмена
А/Б тестирование
  • Ведение
  • Основные статистические критерии
  • Мощность и корректность
  • Что нужно знать перед запуском теста?
  • Метод повышения чувствительности CUPED
Теория вероятностей
  • Основные определения
  • Свойства вероятности
  • Условная вероятность
  • Формула полной вероятности и Теорема Байеса
  • Элементы комбинаторики
Методы оптимизации
  • Градиентный спуск
  • Стохастический градиентный спуск
  • Генетические алгоритмы
  • Алгоритм дифференциальной эволюции
Машинное обучение. Введение
  • Что такое Data Science и для чего он нужен?
  • Подробный процесс разработки моделей
  • Разведочный анализ данных (exploratory data analysis, EDA)
  • Визуализация: библиотеки и методы
  • Обучение с учителем
  • Обучение без учителя
  • Преобразования признаков
  • Методы масштабирования признаков
  • Кодирование категориальных признаков
Линейные алгоритмы
  • Линейная регрессия
  • Метод максимального правдоподобия
  • Метрики качества в задачах регрессии
  • Линейные алгоритмы. Классификация
  • Линейный классификатор
  • Ошибка в задачах классификации. Функция потерь
  • SVM. Нелинейные ядра
  • Спрямляющие пространства
  • Логистическая регрессия
  • Метрики качества в задачах классификации
Способы борьбы с переобучением
  • Регуляризация
  • Оценка работы алгоритма
  • Отложенная выборка
  • Кросс-валидация
  • Кросс-валидация со стратифицированной выборкой
Деревья
  • Решающие деревья
  • Построение деревьев
  • Критерии информативности
  • Критерий информативности для регрессии
  • Критерий информативности для классификации
  • Энтропийный критерий информативности
  • Критерий останова
  • Стрижка деревьев
  • Композиции деревьев
  • Бутстрап
  • Бэггинг
  • Случайные леса
  • Определение бустинга
  • Градиентный бустинг
  • XGBoost
Метрические алгоритмы
  • Метод k-ближайших соседей
  • Метрики
Байесовские модели
Кластерный анализ
  • Метрики качества кластеризации
  • K-means
  • Графовые методы. Spectral Clustering
  • Иерархическая кластеризация
  • DBSCAN
  • Метод главных компонент PCA
Ансамблирование, стекинг и блендинг
  • Блендинг
  • Стэкинг
NLP
  • Быстрое погружение в лингвистику
  • Превращение текста в вектор
  • Морфологический анализ
  • Сравнение текстов
  • Задачи NLP
  • Машинное обучение на текстах
  • Фичи на текстах
  • Задачи машинного обучения на текстах
  • Best practices
  • Альтернативные подходы к подготовке фичей на текстах
  • Задачи выделения фактов
Deep Learning
  • В чем отличия от классического ML?
  • Почему это стало возможным?
  • Преимущества глубокого обучения
  • Сферы применения
  • Ключевые компоненты алгоритма глубокого обучения
  • Основные глубокие архитектуры
  • Подход к изучению: что должен знать специалист по DL?
 
Зарегистрируйтесь , чтобы посмотреть скрытый авторский контент.
Похожие складчины
  • в разделе: Программирование
  • в разделе: Программирование
  • в разделе: Программирование
  • в разделе: Программирование

Войдите или зарегистрируйтесь, чтобы комментировать и скачивать складчины!

Учетная запись позволит вам участвовать в складчинах и оставлять комментарии

Регистрация

Создайте аккаунт на форуме. Это не сложно!

Вход

Вы уже зарегистрированы? Войдите.

Сверху