Машинное обучение и анализ данных (полностью на русском)

Вы знакомы с таким понятием, как большой массив данных? Сделайте следующий шаг – станьте профессионалом в этой области, пройдя специализацию «Машинное обучение и анализ данных»! Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. Таким образом, каждый курс в рамках специализации включает в себя как теорию, так и практические задания различного уровня сложности. В рамках специализации вы освоите основные темы, необходимые в работе с большим массивом данных, в т.ч. современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, базовая фундаментальная математика, основы программирования на Python. В центре внимания — типовые задачи машинного обучения и анализа данных. НЕДЕЛЯ 1. Введение НЕДЕЛЯ 2. Библиотека Python и линейная алгебра. НЕДЕЛЯ 3. Оптимизация и матричные разложения. НЕДЕЛЯ 4. Случайность Анализ данных и машинное обучение опираются на результаты из математического анализа, линейной алгебры и теории вероятностей. Без фундаментальных знаний по этим наукам невозможно понять методы анализа данных. Первый курс сформирует этот фундамент. Мы без сложных формул и доказательств раскроем смысл математических понятий и объектов. НЕДЕЛЯ 1. Машинное обучение и линейные модели НЕДЕЛЯ 2. Линейные модели и оценка качества НЕДЕЛЯ 3. Решающие деревья и композиции моделей НЕДЕЛЯ 4. Нейронные сети и обзор методов Обучение на размеченных данных или обучение с учителем — это возможность предсказать величину для любого объекта, имея конечное число примеров. Например, уровень пробок на участке дороги, возраст пользователя по его действиям в интернете, цену на подержанную машину. На этом курсе вы научитесь формулировать и решать такие задачи. НЕДЕЛЯ 1. Методы кластеризации НЕДЕЛЯ 2. Понижение размерности и матричные разложения НЕДЕЛЯ 3. Визуализация данных и поиск аномалий НЕДЕЛЯ 4. Тематическое моделирование Из курса вы узнаете об алгоритмах кластеризации данных, с помощью которых можно искать группы схожих клиентов мобильного оператора. Вы научитесь строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные. НЕДЕЛЯ 1. Основы статистики и проверка гипотез НЕДЕЛЯ 2. АБ-тесты: основы планирования, дизайн и интерпретация результатов НЕДЕЛЯ 3. Анализ зависимостей НЕДЕЛЯ 4. Скоринг, биоинформатика Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? Действительно ли новый баннер лучше старого? Чтобы ответить на такие вопросы, нужно собрать данные. 99% данных содержат "шум", поэтому выводы на их основе не верны, а только вероятны. На этом курсе вы научитесь строить корректные выводы, оценивать параметры, проверять гипотезы и устанавливать причинно-следственные связи. НЕДЕЛЯ 1. Рекомендательные системы НЕДЕЛЯ 2. Прогнозирование временных рядов НЕДЕЛЯ 3. Скоринг, прогнозирование и CTR НЕДЕЛЯ 4. Анализ текстов и другие прикладные задачи На курсе мы разберем прикладные задачи из различных областей анализа данных: анализ текста и информационный поиск, коллаборативная фильтрация и рекомендательные системы, бизнес-аналитика и прогнозирование временных рядов. На примерах вы узнаете, как извлекать признаки из разнородных данных, какие при этом возникают проблемы и как их решать. Научитесь сводить задачу заказчика к формальной постановке задачи машинного обучения и поймёте, как проверять качество построенной модели на исторических данных и в онлайн-эксперименте. Итог серии курсов — применение полученных знаний в работе. Под руководством лекторов вы поработаете над проектом в электронной коммерции, социальных медиа, информационном поиске, бизнес-аналитике… Разработанный проект пригодится при устройстве на работу или в вашем бизнесе.