Машинное обучение на Python

Освоить многообразие методов и подходов машинного обучения для выделения смысла и значения из огромных массив данных, чтобы стать профессиональным программистом Python и прокачать навыки, нужные для освоения профессии Data scientist
62 новые темы
14 практикумов
15 тестов на проверку знаний
8 бонусных материалов к курсу
Итоговая курсовая работа
Сертификат по окончании курса
Ваша скидка: 25%
Для кого этот курс:
9 990 рублей 12 900
В этом курсе:
Инженеры и научные работники, чьи исследования связаны с Big Data
Python программисты, осваивающие большие данные
Аналитики, работающие с большими данными
Базовый анализ
данных на Python
Базовый SQL
Основы сетевых
протоколов
Проектная работа
Математическая статистика
Машинное обучение на Python
Дополнительный курс
Компьютерное зрение на Python
который занимается анализом огромных массивов данных, извлекает оттуда нужную информацию, умеет ее анализировать и верно интерпретировать для разработки нужных бизнес-решений.
Аналитик больших данных,
Курс входит в профессию:
Требования к поступающим на курс
Нам важно, чтобы каждый студент в полной мере освоил программу курса, приобрел сильные навыки и научился применять полученные знания на практике:
Внимание!
  • Опыт программирования на Python
  • Опыт использования SQL
  • Знания математической статистики
  • Опыт использования Git
Основные темы курса
майнинг данных
линейная и нелинейная регрессия
решающие деревья и методы кластеризации
рекомендательные системы
сверточные и рекуррентные нейросети
пакеты Python для работы с нейросетями: numpy, pandas, skikit-learn


Что узнают и чему обучаются студенты на курсе
Осваивают скрепинг и майнинг данных
Разрабатывают модели для кластеризации данных
Обучаются очищать данные для дальнейшего
анализа
Осваивают опорные вектора для понижения размерности
Изучают работу методов линейной регрессии
Осваивают работу с фреймворком scikit-learn
Изучают решающие деревья
Изучают методы коллаборативной фильтрации
Узнают все о нейросетях
Обучаются работать с TensorFlow
отдельных занятия
62
практикумов
14
самостоятельных работ
14
дополнительных
материалов
8
сертификат
1
Основные цифры курса
курсовая работа
1
Программа курса
Вводный модуль
Приобретем полезные привычки и научимся работать в прикладной программе для успешного обучения программированию, оценим свои начальные навыки и поставим задачи на курс

Занятие 1: Добро пожаловать
Занятие 2: Формат курса
Занятие 3: Jupyter Notebook
Занятие 4: Общие рекомендации
Занятие 5: Вопросы и ответы
Занятие 6: Напутствие

Тест: Подготовительный тест
Модуль 1: Получение и очистка данных
Научимся извлекать и майнить данные для дальнейшего анализа, изучим методы
очистки данных. Соберем статистические данные электронной коммерции.

Занятие 1: Процесс ETL
Занятие 2: Загрузка данных из файлов
Занятие 3: Загрузка файлов по сети
Занятие 4: Работа с базой данных
Занятие 5: Скрепинг
Занятие 6: Парсинг данных

Дополнительный материал: Xpath и DOM модель

Практикум: анализ CSV файла
Практикум: сбор данных с сайта

Тест: загрузка данных Python
Тест: скрепинг


Задание: загрузка данных
Задание: собрать данные о товарах в интернет-магазине
Модуль 2: Линейные модели
Изучим базовые модели машинного обучения и научимся визуализировать
результаты. Применим линейное регрессию для набора данных.

Занятие 1: Машинное обучение
Занятие 2: Линейная регрессия
Занятие 3: Градиентный спуск
Занятие 4: Переобучение моделей
Занятие 5: Метрики качества

Дополнительный материал: визуализация данных
Дополнительный материал: логистическая регрессия

Практикум: оценка качества
Практикум: применение метрик качества

Тест: линейные модели
Тест: качество моделей

Задание: визуализация линейной модели
Задание: применение линейной регрессии
Модуль 3: Нелинейные модели
Разберем продвинутые модели машинного обучения и изучим их на практике.
Проведем глубокий анализ данных с помощью изученных моделей.


Занятие 1: Решающие деревья
Занятие 2: Случайный лес
Занятие 3: Взвешенное голосование
Занятие 4: Градиентный бустинг

Дополнительный материал: статистический критерий информативности

Практикум: генетический алгоритм
Практикум: применение ансамблевых моделей

Тест: случайный лес
Тест: градиентный спуск


Задание: применение решающих деревьев
Задание: применение ансамблевых моделей

Модуль 4: Кластеризация
Разберем характерные задачи классификации (кластеризации) данных и методы их
решения. Визуализируем кластеризованные данные.


Занятие 1: Методы кластеризации данных
Занятие 2: KNN, наивный байес
Занятие 3: Иерархическая кластеризация
Занятие 4: DB-Scan

Дополнительный материал: Обучение с подкреплением

Практикум: K-means
Практикум: оценка качества кластеризации

Тест: K-means
Тест: кластеризация


Задание: кластеризация массива данных
Задание: кластеризация данных с визуализацией

Модуль 5: Понижение размерности
Изучим методы глубокого машинного обучения и применим их на практике.

Занятие 1: Метод главных компонент
Занятие 2: Метод опорных векторов (SVM)
Занятие 3: Многомерное шкалирование

Практикум: применение SVM
Практикум: T-SNE

Тест: SVM
Тест: T-SNE

Задание: выделение опорных векторов
Задание: понижение размерности

Модуль 6: Рекомендательные системы
Разберем работу рекомендательных систем и подберем рекомендации по исходным
данным.


Занятие 1: Рекомендательные системы
Занятие 2: Методы коллаборативной фильтрации
Занятие 3: Методы с матричным разложением

Дополнительный материал: оптимизация коллаборативной фильтрации

Практикум: кластеризация и фильтрация
Практикум: матрица рейтингов и SVD

Тест: коллаборативная фильтрация
Тест: матричное разложение


Задание: рекомендательные системы
Задание: коллаборативная фильтрация

Модуль 7: Нейросети
Научимся строить простые, сверточные и рекуррентные нейросети. Применим
нейросеть для анализа изображений.


Занятие 1: Нейросети
Занятие 2: Сверточные сети
Занятие 3: Рекуррентные сети
Занятие 4: TensorFlow

Дополнительный материал: виды нейросетей
Дополнительный материал: deep reinforcement learning

Практикум: обучение нейросети
Практикум: классификация изображений TensorFlow

Тест: нейросети
Тест: архитектуры нейронных сетей


Задание: различные модели нейросетей
Задание: применение нейросетей

Модуль 8: Заключительный
Соберем ваши работы в портфолио и разработаем дальнейшие шаги по работе с большими данными.

  • Будущее машинного обучения
  • Введение в машинное зрение
  • Проект: модели машинного обучения
  • Сертификаты
  • Поздравляем!
Как организован процесс обучения
Доступ к информации
После регистрации и оплаты вы получите доступ в ваш личный кабинет, где содержатся все материалы курса.
Обучение
Вы изучаете материалы курса и выполняете задания в своем темпе, в удобное для вас время и в приятном для вас месте. Все, что вам необходимо - доступ в интернет!
Практика
Чтобы добиться наилучшего результата строго выполняйте все задания курса, используя полученные теоретические знания. Практикуйтесь самостоятельно, ведь чем больше опыта вы приобретете за время обучения, тем выше будет ваша конкурентоспособность как специалиста по окончанию курса.
Выполнение курсовой работы
Вы самостоятельно создаете свой курсовой проект - модели машинного обучения, применяя все теоретические и практические знания, полученные за время обучения на курсе.
Финал
Получаете обратную связь на свою работу и сертификат о прохождении курса.
Ваш наставник:
Мациевский Николай
опыт в программировании и разработки сложных веб-проектов более 20 лет
    технический директор облачного сервиса Айри.рф
      эксперт в области веб-производительности
        автор двух книг: «Разгони свой сайт» и «Реактивные веб-сайты»
        Почему стоит учиться у Николая?
        Разработал и руководил разработками огромного количества веб-проектов, веб-сайтов и сервисов, общая ежедневная аудитория которых превышает 100 млн. человек.
        Неоднократно приглашался в качестве ведущего и эксперта различных программ на радио и телевидение
        Создал с нуля, руководит и продолжает развивать такие проекты, как:
        webogroup.com
        webopulsar.ru / webopulsar.com
        айри.рф / airee.cloud

        Научит и Вас!
        Стоимость обучения
        Стандартная цена курса
        Ваша цена
        43%
        Гарантия возврата денег - 14 дней
        Оставьте заявку на обучение:
        Нажимая на кнопку вы соглашаетесь с условиями обработки персональных данных
        6 990 рублей
        3 990 рублей
        Ваша скидка:
        62 новые темы
        14 практикумов
        15 тестов на проверку знаний
        8 бонусных материалов к курсу
        Итоговая курсовая работа
        Сертификат по окончании курса
        В этом курсе:
        только для первых 18 11
        ГАРАНТИЯ
        Мы абсолютно уверены в качестве своего курса и в том, что он будет вам полезен! Поэтому даем невероятную гарантию: если в течение 14 дней вы поймете, что наш курс вам не подходит, если он вам не понравится, - напишите нам, и мы вернем вам деньги.
        Click to order
        Cart
        Total: 
        Ваше имя
        Ваш Email
        Your Phone
        Пожалуйста, не указывайте почту icloud, так как на нее мы не сможем отправить вам письмо с доступом к курсу