- Регистрация
- 13.03.2019
- Сообщения
- 48 482
# 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 курса 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? 
|
