Онлайн-курс, вебинар Математика и Machine Learning для Data Science

Каждый, кто начинает свой путь в Data Science, стремится когда-нибудь дорасти до уровня Senior. Но требования к специалистам такого уровня, особенно в крупных компаниях, очень высоки. Большинство соискателей не могут пройти собеседование.

Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, мало владеть основными методами машинного обучения и нейронных сетей: важно понимать законы математики и статистики у них "под капотом".

Мы объединили 2 важных курса: вы сможете изучить сначала математику, а затем научитесь строить модели машинного обучения, или проходить два курса параллельно и освоить новую профессию всего за 3 месяца.

Программа курса по математике

Часть 1. Линейная алгебра

• Изучаем вектора и виды матриц
• Учимся проводить операции над матрицами
• Определяем линейную зависимость с помощью матриц
• Изучаем обратные, вырожденные и невырожденные матрицы
• Изучаем системы линейных уравнений, собственные и комплексные числа
• Осваиваем матричное и сингулярное разложение
• Решаем задачи линейной зависимости с помощью матриц
• Оптимизируем с помощью метода главных компонент
• Закрепляем математические основы линейной регрессии

Часть 2. Основы матанализа

• Изучаем функции одной и многих переменных и производные
• Осваиваем понятие градиента и градиентного спуска
• Тренируемся в задачах оптимизации
• Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
• Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
• Закрепляем математические основы градиентного спуска и имитации отжига

Часть 3. Основы теории вероятности и статистики

• Изучаем общие понятия описательной и математической статистики
• Осваиваем комбинаторику
• Изучаем основные типы распределений и корреляции
• Разбираемся в теореме Байеса
• Изучаем наивный байесовский классификатор
• Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
• Закрепляем математические основы классификации и логистической регрессии

Часть 4. Временные ряды и прочие математические методы

• Знакомимся с анализом временных рядов
• Осваиваем более сложные типы регрессий
• Прогнозируем бюджет с помощью временных рядов
• Закрепляем математические основы классических моделей машинного обучения

Краткая программа курса по Machine Learning

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