![](https://cdn.skillbox.pro/landgen/blocks/sales/136571/sm/84321ca1-c619-4d1c-bd97-850b0bc5431f.png)
![](https://cdn.skillbox.pro/landgen/blocks/start-screen/156354/sm/263a2a79-5951-4601-9904-7c81b5e99118.png)
Machine Learning Junior
Вы освоите методы машинного обучения для анализа данных и решения сложных задач. Научитесь работать с разнообразными алгоритмами и моделями, оценивать их эффективность, а также подготавливать данные. Узнаете о соревнованиях Kaggle и научитесь к ним готовиться.
- Никакой “воды” только нужные и актуальные знания
- Обучение в удобное время учитесь в комфортном для себя темпе
- Бессрочный доступ ко всем материалам курса
- Старт обучения Набор группы закрыт
Кому подойдёт этот курс
- Начинающим Data-аналитикам
Тем, кто хочет получить навыки для анализа данных, прогнозирования и обработки текстов, чтобы применять их в исследованиях и проектах
- Разработчикам и программистам
Тем, кто хочет прокачать навыки линейной и логистической регрессии, деревьев решений, нейронных сетей и использовать их для создания интеллектуальных приложений и решений
- Аналитикам данных и специалистам по ML
Тем, кто хочет освоить расширенные методы кластеризации, работу с несбалансированными данными, анализ текстов и инфраструктуру ML для решения сложных задач и оптимизации процессов
Чему вы научитесь
-
Решать задачи Data Scientist, включая работу с признаками и матрицами
-
Работать с регрессией, классификацией и оценкой моделей
-
Работать с SQL, включая подзапросы и очистку данных
-
Применять линейную регрессию и работать с весами признаков через sklearn
-
Определять оптимальные параметры регуляризации для улучшения моделей
-
Применять метрическую классификацию, метод ближайших соседей и F-меру
-
Использовать библиотеки numpy для работы с векторами и матрицами
-
Создавать и настраивать логистическую регрессию, используя стохастический градиентный спуск
-
Работать с классификацией с помощью метода опорных векторов
Содержание курса
Вы освоите ключевые задачи и инструменты ML: от постановки задачи и основных терминов до написания нейронных сетей.
-
Постановка задачи машинного обучения
Освоите задачи Data Scientist, работу с признаками и матрицей объектов-признаков.
-
Основные термины машинного обучения
Познакомитесь с регрессией, классификацией, оценкой качества и переобучением моделей.
-
Выгрузка данных с помощью SQL
Овладеете навыками работы с SQL, подзапросами, очисткой данных и комбинированием функций.
-
Линейная регрессия
Научитесь линейной регрессии, весам признаков, решению через матрицы и использованию библиотеки sklearn.
-
Регуляризация линейной регрессии
Узнаете, как определить оптимальные параметры регуляризации для уменьшения ошибки модели.
-
Метрическая классификация. Метод ближайших соседей и его развитие
Освоите метод ближайших соседей, минимизацию времени обучения, матрицы ошибок, F-меру через sklearn.
-
Библиотека Numpy
Овладеете библиотекой numpy для работы с векторами и матрицами.
-
Линейная классификация. Логистическая регрессия
Узнаете, как построить логистическую регрессию, алгоритм стохастического градиентного спуска.
-
Линейная классификация. Метод опорных векторов
Освоите алгоритмы для классификации, решение проблем неразделимости и несбалансированных классов.
-
Логическая классификация. Деревья решений
Поймёте преимущества решающих деревьев, оценку через энтропию, ROC AUC, Information gain и Gini Impurity.
-
Деревья решений и случайный лес
Узнаете, как применять случайный лес и улучшить модель через кросс-валидацию и GridSearch.
-
Очистка данных
Научитесь подготавливать данные: обнаружение и удаление выбросов, нормализация, кодирование категориальных переменных.
-
Кластеризация. Метод k-средних
Научитесь решать задачу кластеризации через метод k-means с различными метриками.
-
Интерпретация. Метод k-средних
Поймёте выбор числа кластеров, статистическое описание и визуализацию кластеров через TSNE.
-
Кластеризация. DBSCAN
Научитесь использовать алгоритм DBSCAN для разных видов кластеров.
-
Несбалансированные выборки
Научитесь бороться с несбалансированными данными через Upsempling, Downsempling, взвешивание классов и оценку StratifiedKFold.
-
Нейрон и нейронная сеть
Изучите нейросети, сможете написать обучение одноуровневой нейронной сети на PyTorch.
-
Основы анализа текстов
Освоите методы обработки текстов, использование регулярных выражений, представление текста в виде вектора.
-
Соревнование на Kaggle
Освоите процесс участия в соревнованиях Kaggle и подготовку к ним.
-
Инфраструктура для моделей машинного обучения
Познакомитесь с Hadoop, Hive, MapReduce, Oozie для работы с большими данными и создания пайплайнов.
Получить консультацию специалиста и презентацию профессии
Спикеры
-
Автор и спикер курса Machine Learning Engineer. AI Product Manager, SberData, Сбер Банк
-
Data Solutions Manager, VISA
-
Data Scientist в Сбербанке, математик в ВЦ РАН. Блок «Основы математики для Data Science»
-
Спикер курса. R&D Director, UBIC Tech
-
Data Engineer, Made
-
Data Analyst, Ernst & Young
О Skillbox
- Старт курса: 9 сентября
- Осталось: 4 места
Стоимость курса
- Длительность рассрочки — 31 месяц
- Отсрочка платежа — 6 месяцев
- 6 014 ₽ /мес
- 9 253 ₽ /мес
![](https://cdn.skillbox.pro/landgen/blocks/sales/136571/sm/84321ca1-c619-4d1c-bd97-850b0bc5431f.png)
Вам может понравиться
![](https://cdn.skillbox.pro/wbd-front/skillbox-static/general/trap-popup/trap-popup-trial-sm@1x.png)
- Санкт-Петербург
- Алматы
- Минск
- Москва
- Санкт-Петербург
- Алматы
- Волгоград
- Воронеж
- Екатеринбург
- Казань
- Красноярск
- Нижний Новгород
- Новосибирск
- Омск
- Пермь
- Ростов-на-Дону
- Уфа
- Челябинск
- Вологда
- Гомель
- Ижевск
- Иркутск
- Калининград
- Кемерово
- Киров
- Краснодар
- Курск
- Липецк
- Махачкала
- Оренбург
- Пенза
- Ростов
- Рязань
- Саратов
- Сочи
- Ставрополь
- Сургут
- Тверь
- Тольятти
- Томск
- Тула
- Тюмень
- Ульяновск
- Хабаровск
- Чебоксары