Алгоритмы Машинного обучения с нуля

В данном курсе Вы реализуете с нуля все основные алгоритмы классического машинного обучения на чистом Python, Pandas и NumPy.
Средний уровень
Сертификат Stepik

Чему вы научитесь

  • Разберетесь в нюансах реализации того или иного алгоритма машинного обучения.
  • Повторите и закрепите базовые темы классического машинного обучения.
  • Составите неплохое портфолио на GitHub (из реализованных алгоритмов).

О курсе

Один из самых эффективных способов разобраться как работает тот или иной алгоритм - реализовать его самому. Этим мы и займемся в данном курсе.

Для разбора возьмем основные алгоритмы классического машинного обучения:

  • Линейный модели:
    - Линейная регрессия (Linear Regression)
    - Логистическая регрессия (Logistic Regression)
    - Метод опорных векторов (Support Vector Machine, SVM)
  • Метрические алгоритмы:
    - Метод k-ближайших соседей (k-nearest neighbors algorithm, k-NN)
  • Деревья решений (Decision Trees)
  • Ансамбли:
    - Бэггинг (Bagging)
    - Случайный лес (Random Forest)
    - Бустинг над деревьями решений (Boosting)
  • Кластеризация:
    - Метод k-средних (K-means)
    - Агломеративная кластеризация (Agglomerative Clustering)
    - DBSCAN
  • Понижение размерности:
    - Метод главных компонент (Principal Component Analysis, PCA)

Помимо этого будут реализованы такие функции как:

  • Функции потерь для классификации и регрессии
  • Метрики качества для классификации и регрессии
  • Различные регуляризации
  • Стохастический градиентный спуск

И все это будет реализовано на чистом Python и двух наиболее популярных библиотеках хранения и манипуляции данными – Pandas и NumPy. И никаких Scikit-learn и прочих готовых библиотек.

В отличие от других курсов по машинному обучению, в данном курсе основной упор в подаче материала будет сделан именно на алгоритм с т.з. программирования, а не с т.з. математики. Хотя основные математические концепции и будут даны.

Для успешного прохождения курса вам понадобится понимание основ машинного обучения: для чего делить выборку на трейн и тест, что такое таргет и фича, и прочие базовые концепции, а также профессиональный жаргон. Помимо этого, вам необходимо относительно неплохо разбираться в языке Python, его алгоритмах и структурах данных.

Если Вы не знакомы Python, то рекомендую пройти парочку курсов по нему тут же на Stepik'е. А отточить свои навыки в Python вы сможете на специализированных сайтах. Например:

По машинному обучению могу порекомендовать два курса, которые я сам прошел:

По Pandas и NumPy неплохо бы знать следующее:

Все это, конечно, условности. При должном усердии (и использовании навыков поиска в интернете) любой сможет осилить этот курс :)

Если у вас возникнут вопросы – пишите их в комментариях – так вы поможете "коллегам" с теми же проблемами. А для более оперативной связи я создал чат в телеграмм: https://t.me/algorithm_ml_course

Телеграмм-канала автора: https://t.me/ds_private_sharing

Для кого этот курс

Курс рассчитан на тех, кто уже знаком с основами машинного обучения и хочет на базовом уровне разобраться в реализации классических алгоритмов машинного обучения.

Начальные требования

  • Python
  • Основы машинного обучения
  • NumPy
  • Pandas

Наши преподаватели

Как проходит обучение

Курс состоит из текстовых лекций и практических заданий. В каждом задании вам необходимо будет написать класс на языке Python, который реализовывает тот или иной алгоритм машинного обучения. Причем с каждым шагом вы будете дорабатывать свой класс, усложняя его и добавляя в него новый функционал.

Программа курса

загружаем...
Certificate

Сертификат

Сертификат Stepik
Price: Бесплатно

Расскажите о курсе друзьям

Price: Бесплатно