Чему вы научитесь
- Построение моделей машинного обучения с учителем (Supervised Learning)
- Применение NumPy для работы с числами в Python
- Использование Seaborn для создания красивых графиков визуализации данных
- Применение Pandas для манипуляции с данными в Python
- Элементы Matplotlib для детальной настройки визуализаций данных в Python
- Конструирование признаков (Feature Engineering) на реалистичных примерах
- Алгоритмы регрессии для предсказания непрерывных переменных
- Навыки подготовки данных к машинному обучению
- Алгоритмы классификации для предсказания категориальных переменных
- Создание портфолио проектов машинного обучения и Data Science
- Работа с Scikit-Learn для применения различных алгоритмов машинного обучения
- Быстрая настройка Anaconda для работ по машинному обучению
- Понимание полного цикла этапов работ по машинному обучению
О курсе
Этот курс - лучший способ начать с нуля и стать специалистом по Машинному Обучению в Python!
Отличительная особенность этого курса - низкий порог входа в машинное обучение, без необходимости глубоко погружаться в математику раньше времени. Внутри курса математика добавляется постепенно - таким образом, что даже гуманитарии успешно проходят этот курс и пишут об этом в отзывах.
Если во время прохождения курса у Вас возникнут какие-либо вопросы, то смело задавайте их в комментариях к лекциям - я как автор курса с удовольствием отвечу на все Ваши вопросы!
В этом курсе Вы изучите следующие темы:
- NumPy в Python
- Детальное изучение Pandas для анализа и предварительной обработки данных
- Детальное изучение Seaborn для визуализации данных (включая Matplotlib для кастомизации графиков)
- Машинное обучение с применением библиотеки SciKit Learn, включая следующие темы:
-
Linear Regression - Линейная Регрессия
-
Regularization - Регуляризация
-
Lasso Regression - Лассо-Регрессия
-
Ridge Regression - Ридж-Регрессия
-
Регуляризация Elastic Net
-
Logistic Regression - Логистическая регрессия
-
K Nearest Neighbors - Метод К-ближайших соседей
-
Decision Trees - Деревья решений
-
Random Forests - Случайные леса
-
AdaBoost, GradientBoosting - Адаптивный бустинг, Градиентный бустинг
-
Natural Language Processing - Обработка языковых данных
-
K Means Clustering - Кластеризация К-средних
-
Hierarchical Clustering - Иерархическая кластеризация
-
DBSCAN (Density-based spatial clustering of applications with noise) - Кластеризация на основе плотности данных
-
PCA - Principal Component Analysis - Метод главных компонент
-
И многое, многое другое!
Внутри курса находится набор блокнотов Jupyter Notebook с примерами кода и детальным описанием. Для каждой лекции это отдельные блокноты, которые разложены по папкам с соответствии с разделами курса. Так что Вы сможете не только просмотреть видео-лекции, но и прочитать блокноты. Это особенно удобно, когда Вам нужно что-то вспомнить или быстро пробежаться по материалу в поисках нужной информации.
Надеюсь, что Вы запишетесь на этот курс и прокачаете Ваши навыки! Добро пожаловать!
p.s. На этот курс можно записаться как отдельно, так и в составе Пакета из 3 курсов "Data Scientist": Python + SQL + Машинное обучение (вот ссылка). Пакет курсов позволяет получить скидку по сравнению с 3 отдельными курсами.
Для кого этот курс
Для всех, кто хочет начать своё путешествие в удивительный мир машинного обучения.
Начальные требования
Базовые знания Python (на уровне функций).
Либо опыт работы с другими языками программирования + готовность изучать Python в процессе курса.
Наши преподаватели
Как проходит обучение
- Видео-лекции, разбитые по разделам курса и отдельным лекциям
- Блокноты Jupyter Notebook со всеми фрагментами кода в Python и тестовыми комментариями.
- Проверочные задания в каждом разделе курса
- Разбор решений для проверочных заданий - как в видео-лекциях, так и в блокнотах с комментариями
- Поддержка преподавателя - ответы на вопросы
Программа курса
Сертификат
Входит в 1 программу
Что вы получаете
- Уверенные начальные знания и навыки по машинному обучению.