- Регистрация
- 13.03.2019
- Сообщения
- 48 482
Научим Data Science с нуля за 7,5 месяцев. Кем ты станешь: С развитием технологий и повсеместным использованием гаджетов все легче становится собирать различные данные о том, что происходит в мире — от наших кликов в интернет-пространстве до структуры развития человеческого генома. Для того, чтобы уметь обращаться с этими данными, и существует Data Science. Какую песню предложить тебе для прослушивания? Как определить, где пешеход, а где встречная машина во время движения? Как спрогнозировать изменение цен на криптовалюту в будущем? На этом курсе ты сможешь понять, как работают все вышеперечисленные алгоритмы, а также научишься строить свои предиктивные модели, используя фреймворки TensorFlow и PyTorch. Твой результат в конце курса: 1. Выучишь основные алгоритмы машинного обучения и натренируешь свои модели 2. Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры 3. Используешь лучшие методики для оценки качества моделей и их оптимизации 4. Научишься стратегиям end-to-end, транcфера и многозадачного машинного обучения 5. Построишь сверточные и рекурентные нейронные сети, используя фреймворки PyTorch и TensorFlow 6. Станешь востребованным специалистом в сфере Data Science Содержание Модуль 1 - Введение Краткий обзор курса и задач Machine Learning Что такое Machine Learning, Data Science, AI Google Colab, Jupyter Notebook, настройка среды Модуль 2 - Python для Data Science Введение в Python Основы работы с Python Модуль 3 - Системы контроля версий - Git Git - введение Git Flow Git - практика Модуль 4 - Основы Python (типы и структуры данных) Операторы, выражения Числа с плавающей точкой (int/float) float 2 Базовые коллекции 1 - list (списки) Базовые коллекции: cтроки Базовые коллекции: словари и множества Базовые коллекции: кортежи Модуль 5 - Основы Python (логические выражения и циклы) Условный оператор if, ветвления Условный оператор if: продолжение Цикл while For: циклы со счетчиком For: циклы со счетчиком, часть 2. Функция range Цикл for: работа со строками Вложенные циклы Модуль 6 - Основы Python (функции) Функции Методы для работы со списком List comprehensions Функции — Рекурсия Модуль 7 - Основы Python (классы) Классы Модуль 8 - 9 - Манипуляции с данными. Базы данных и SQL Изучить основные методы и структуры данных библиотеки Pandas Извлечение данных, визуализация результатов Группировка, подсчет метрик Преобразование данных Базы данных SQLite SQL запросы ORM Модуль 10 - PostgreSQL и SQLAlchemy Сложные запросы PostgreSQL SQLAlchemy Функции и триггеры ORM Модуль 11 - 12 - Базовый математический уровень для Data Science и реализация в Python Линейная алгебра (Основы матричного исчисления), векторы, векторное пространство Вычисления с помощью NumPy Матрицы. Реализация матричных операций на языке Python Основы теории вероятности и математической статистики. Основы мат. анализа Распределения, доверительные интервалы Корреляция Базовый эксплоративный анализ и визуализация данных Работа с данными в Pandas Модуль 13 - Data Visualization Визуализация данных в Matplotlib Plotly Модуль 14 -15 - Классические Machine Learning-алгоритмы Обучение с учителем/без учителя/с подкреплением Функция ошибок Градиентный спуск Линейная регрессия Модуль 16 - 17 - Продолжаем с линейной регрессией Множественная линейная регрессия Классификация (логистическая регрессия) Переобучение (регуляризация) Недообучение Другие алгоритмы (Метод опорных векторов) Модуль 18 - Введение в нейронные сети Понятие нейронных сетей. Нейрон. Многослойный персептрон Функции активации Learning (Forward, Backpropagation) Смещение/разброс (Bias/Variance) Кривые обучения (Learning curves) Метрики оценки Модуль 19 - 20 - Ансамблевые методы Деревья решений Ансамблевые методы Boosting/Bagging Градиентный бустинг Random Forest Модуль 21 - Обучение без учителя (Кластеризация) Метод k-средних Иерархическая кластеризация DBSCAN Выявление аномалий Модуль 22 - Снижение размерности Метод главных компонент (PCA) Стохастическое вложение соседей с t-распределением (T-SNE) Модуль 23 - Рекомендательная система Основанная на пользователях Основанная на контенте Коллаборационный фильтр Модели прогнозирования временных рядов Модуль 24 - Работа с большими данными Large scale algo Batching Cross-Validation Map reduce Модуль 25 - 26 - Нейронные сети и Deep Learning Классификация архитектур нейронных сетей Виды слоёв (и классификация нейронов) Обучение: функция потерь, обратное распространение ошибки, оптимизаторы, стохастический градиент Регуляризация Ознакомление с библиотеками для Deep Learning Модуль 27 - 29 - Решение проблем с тренировкой глубоких нейросетей Улучшаем глубокие нейросети Оптимизация гиперпараметров, Регуляризция и Оптимизация Gradient vanishing/explosion Модуль 30 - 31 - Data Science project pipeline Structuring Machine Learning Projects Transfer Learning Модуль 32 - 34 - Сверточные нейросети Введение Операция свертки Слои в сверточных нейросетях Базовая структура сверточной нейросети Классификация объектов Модуль 35 - 37 - Применение сверточных нейросетей Object detection Распознавание лиц Перенос стилей Модуль 38 - 42 - Sequence Models Рекуррентная нейросеть (RNN) Управляемый рекуррентный блок (GRU) Долгая краткосрочная память (LSTM) Двунаправленная RNN/LSTM Механизм внимания Модуль 43 - 44 - Основы Natural Language Processing (NLP) Word2Vec, GloVe и Fastext BERT Модуль 45 - 46 - Основы Times Series Prediction Классические подходы применения статистики Предобработка временных рядов Применение Deep Learning Модуль 47 - 49 - Примеры решений задач СV, NLP, Time Series prediction Сегментация объектов на изображении Анализ эмоциональной окрашенности текста Классификации текста Модуль 50 - 52 - Основы Computer Science для Data Science Основы Computer Science (OOП) Базовые алгоритмы и структуры данных Инкапсуляция, наследование и полиморфизм Перегрузка операторов MRO Статические методы, методы класса, property Метаклассы Классы данных Модуль 53 - Основы Web Flask or Fast API Модуль 54 - 55 - Основы работы в облачных сервисах Знакомство с AWS Базы данных на AWS -- RedShift AWS SageMaker, S3 AWS Textract Google Cloud Platform Google Vision Деплой своего проекта на GCP (App Engine) Модуль 56 - 57 - Закрепление итогового материала и выбор дипломного проекта Модуль 58 - Подготовка к техническому собеседованию Модуль 59 - Онлайн-тренинг "Трудоустройство в IT" Составление резюме (теория + практика) Составление профиля на LinkedIn (теория + практика) Прохождение интервью Soft skills, которые важны в рамках интервью Проведение пробного интервью Модуль 60 - Защита дипломных проектов Общая стоимость курса: 2800 (BYN) 
|
