Введение в соревновательный Data Science | Kaggle. 2025 [Stepik] [Алерон Миленькин, Иван Александров, Вольнов Сергей]

Введение в соревновательный Data Science | Kaggle Разбираемся в тонкостях соревновательного анализа данных. Прокачиваемся в построении моделей машинного обучения с максимальной точностью. Минимум теории, максимум практики для победы в чемпионатах. Курс стал победителем в номинации "Прорыв Года" Stepik Awards 2023. Чему вы научитесь Строить конкурентно-способные и стабильные модели машинного обучения с максимальным качеством, которые не шатает на привате. Понимать практические методы из статистики, полезные для машинного обучения Использовать обширные возможности платформы Kaggle Применять наиболее эффективные техники ансамблирования, которые пригодятся не только в соревнованиях, но и в других сферах. Реализовывать изученные техники на Python и пользоваться современными ML-фреймворками О курсе Что будет на курсе? Ты узнаешь об эффективных и хорошо зарекомендовавших себя техниках построения моделей машинного обучения. Мы расскажем, как правильно генерировать и фильтровать признаки, тюнить и валидировать модели, строить ансамбли и ускорять вычисления, а также другие часто применяемые на практике вещи вплоть до вычислений в облаках. В рамках курса будет 10 модулей, более 200 практических заданий на отработку материала, интервью с Kaggle Grand Masters, сильное комьюнити с заряженными участниками (20 из которых ужа заработали свои первые медали на Kaggle), и многое другое. Курс постоянно обновляется и дополняется! Лучших студентов снаряжаем сервером с несколькими GPU и большой оперативной памятью для участия в боевых чемпионатах. Чего не будет на курсе? Это крайне практический курс, направленный на применение ML в реальных задачах. Тут не будет теоретической/математической стороны машинного обучения. Не будем считать производные и писать линейные регрессии с нуля, а будем учиться использовать существующие инструменты, чтобы делать свои модели наиболее точными и эффективными. Решенную по ходу курса задачу на Kaggle, можно будет использовать в качестве портфолио для демонстрации будущим работодателям.