Совместно с профи из российских Data Science компаний мы разработали курс Machine Learning, ориентированный на практику. Вы изучите принципы математических алгоритмов, современные библиотеки, feature engineering и оценку моделей. В конце обучения на курсе примените все изученные методы на финальном проекте и сможете собрать Git-репозиторий с решенными кейсами.

Кому подойдет курс

• Новичкам. 
• Программистам. 
• Аналитикам. 

Программа 

1. Введение в машинное обучение
   Знакомитесь с основными задачами и методами machine learning, изучаете практические кейсы и применяете базовый алгоритм работы над ml-проектом.
2. Методы предобработки данных
   Изучаете типы данных, учитесь очищать и обогащать данные, используете визуализацию для предобработки и осваиваете feature engineering.
3. Регрессия
   Изучаете типы данных, учитесь очищать и обогащать данные, осваиваете линейную и логистическую регрессию, изучаете границы применимости, аналитический вывод и регуляризацию. Обучаете модели регрессии. Используете  визуализацию для предобработки и осваиваете feature engineering. 
4. Кластеризация
   Осваиваете обучение без учителя, практикуетесь в его различных методах, работаете с текстами средствами ML. 
5. Tree-based алгоритмы: введение в деревья
   Знакомитесь с решающими деревьями и их свойствами, осваиваете деревья из библиотеки sklearn и используете деревья для решения задачи регрессии. 
6. Tree-based алгоритмы: ансамбли 
   Изучаете особенности ансамблей деревьев, практикуетесь в бустинге, используете ансамбль для построения логистической регресси. Участвуете в соревновании на kaggle по обучению tree-based модели.
7. Оценка качества алгоритмов
   Изучаете принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения. Оцениваете качество нескольких моделей ML.
8. Временные ряды в машинном обучении
   Знакомитесь с анализом временных рядов в ML, осваиваете линейные модели и XGBoost, изучаете принципы кросс-валидации и подбора параметров.
9. Рекомендательные системы
   Изучаете методы построения рекомендательных систем, осваиваете SVD-алгоритм, оцениваете качество рекомендаций обученной модели.
10. Финальный хакатон
    Применяете все изученные методы для получения максимальной точности предсказаний модели на kaggle.

Чему вы научитесь

• Изучите основные алгоритмы машинного обучения. 
• Выполните 500+ упражнений на закрепление материала. 
• Поучаствуете в хакатоне на Kaggle.