Machine Learning Pro + Deep Learning [[skillfactory]]

Machine Learning vs Deep Learning - в чем разница?! Как подобрать нужный алгоритм? "Потрогаем руками" все алгоритмы и разберемся на практике - где нужны Нейронные сети, а где достаточно классических алгоритмов. Комплексный подход, организованный в бандле "Machine Learning Pro + Deep Learning", подойдет для тех, кто хочет прокачаться в программировании глубоких нейронных сетей и моделей машинного обучения. Прохождение курсов потребует базового знания языка Python. В процессе обучения вы освоите все классические алгоритмы Машинного обучения,от деревьев до рекомендательных систем, а также научитесь создавать различные нейронные сети. Вас ждут хакатоны и in class соревнования на kaggle! Модуль 1 Введение в машинное обучение Знакомимся с основными задачами и методами machine learning , изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом Решаем 50+ задач на закрепление темы Модуль 2 Методы предобработки данных Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering Решаем 60+ задач на закрепление темы Модуль 3 Регрессия Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии Решаем 40+ задач на закрепление темы Модуль 4 Кластеризация Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML Решаем 50+ задач на закрепление темы Модуль 5 Tree-based алгоритмы: введение в деревья Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии Решаем 40+ задач на закрепление темы Модуль 6 Tree-based алгоритмы: ансамбли Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии Решаем 40+ задач на закрепление темы Участвуем в соревновании на kaggle по обучению tree-based модели Модуль 7 Оценка качества алгоритмов Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения Оцениваем качество нескольких моделей ML Решаем 40+ задач на закрепление темы Модуль 8 Временные ряды в машинном обучении Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров Решаем 50+ задач на закрепление темы Модуль 9 Рекомендательные системы Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели Решаем 50+ задач на закрепление темы Модуль 10 Финальный хакатон Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle Ссылка на курс