# 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
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?
