Tech
Brain
Школа анализа данных
Brain
Школа анализа данных
Машинное обучение
Поможем с нуля освоить одну из самых востребованных IT-профессий в мире! Постоянная практика и реальные задачи!
Оставить заявку
заполните форму ниже и мы с вами свяжемся
Нажимая на кнопку "Отправить" вы соглашаетесь на обработку персональных данных и политику конфиденциальности
ноября
6 месяцев
3 вебинара
в неделю
в неделю
онлайн
Для кого курс
- 1Для тех кто с нуля осваивает машинное обучение
- 2Кто продолжает и хочет структурировать и углубить свои знания
- 3Для тех кто хочет грамотно проводить эксперименты и строить работающие модели
- 4Для тех кто меняет профессиональный путь
- 5Для систематизации, расширения знаний и подготовки к интервью
Программа курса
Тема 1 Введение в машинное обучение и анализ данных.
Тема 2 Виды задач и виды признаков. Метод k ближайших соседей для классификации. Вычисление расстояний для числовых данных.
Тема 3 Измерение ошибки в задачах классификации. Обобщающая способность. Проверка обобщающей способности: отложенная выборка и кросс-валидация. Метод k ближайших соседей.
Семинар 1 Немного про Jupyter notebook и numpy
Семинар 2 Объектно-ориентированное программирование
Семинар 3 pandas
Семинар 4 Визуализация данных
Семинар 5 Введение в sklearn KNN
Тема 2 Виды задач и виды признаков. Метод k ближайших соседей для классификации. Вычисление расстояний для числовых данных.
Тема 3 Измерение ошибки в задачах классификации. Обобщающая способность. Проверка обобщающей способности: отложенная выборка и кросс-валидация. Метод k ближайших соседей.
Семинар 1 Немного про Jupyter notebook и numpy
Семинар 2 Объектно-ориентированное программирование
Семинар 3 pandas
Семинар 4 Визуализация данных
Семинар 5 Введение в sklearn KNN
Тема 4 Модель линейной регрессии. Подготовка данных для линейной регрессии. MSE для линейной регрессии в матричной форме.
Тема 5 Модель линейной регрессии. Подготовка данных для линейной регрессии. Переобучение и регуляризация линейных моделей.
Тема 6 Линейная регрессия и градиентный спуск.
Тема 7 Функции потерь в регрессии. Линейная классификация.
Тема 8 Линейная классификация.
Тема 9 Метрики качества классификации.
Тема 10 Логистическая регрессия и метод опорных векторов
Тема 11 Метод опорных векторов, многоклассовая классификация
Семинар 6 Линейная регрессия
Семинар 7 Градиентный спуск
Семинар 8 Бинарная линейная классификация
Семинар 9 Логистическая регрессия. SVM. ROC-кривая
Семинар 10 Задачи условной оптимизации и теорема Куна-Таккера.
Семинар 11 Калибровка вероятностей
Тема 5 Модель линейной регрессии. Подготовка данных для линейной регрессии. Переобучение и регуляризация линейных моделей.
Тема 6 Линейная регрессия и градиентный спуск.
Тема 7 Функции потерь в регрессии. Линейная классификация.
Тема 8 Линейная классификация.
Тема 9 Метрики качества классификации.
Тема 10 Логистическая регрессия и метод опорных векторов
Тема 11 Метод опорных векторов, многоклассовая классификация
Семинар 6 Линейная регрессия
Семинар 7 Градиентный спуск
Семинар 8 Бинарная линейная классификация
Семинар 9 Логистическая регрессия. SVM. ROC-кривая
Семинар 10 Задачи условной оптимизации и теорема Куна-Таккера.
Семинар 11 Калибровка вероятностей
Тема 12 Ядровые методы
Тема 13 Ядровой метод опорных векторов. Аппроксимация ядер.
Семинар 12 Обработка текстов: токенизация, лемматизация, стемминг. Bag-of-words и TF-IDF. Регулярные выражения.
Тема 13 Ядровой метод опорных векторов. Аппроксимация ядер.
Семинар 12 Обработка текстов: токенизация, лемматизация, стемминг. Bag-of-words и TF-IDF. Регулярные выражения.
Тема 14 Решающие деревья
Тема 15 Решающие деревья. Композиции моделей.
Тема 16 Градиентный бустинг.
Тема 17 Градиентный бустинг. (продолжение). Отбор признаков.
Семинар 13 Решающие деревья
Семинар 14 Bias-Variance decomposition, бэггинг и случайные леса
Семинар 15 Бустинг. Часть 1 (Идея подхода, функции потерь, особенности GB)
Семинар 16 Бустинг. Часть 2 (Различные реализации бустинга)
Тема 15 Решающие деревья. Композиции моделей.
Тема 16 Градиентный бустинг.
Тема 17 Градиентный бустинг. (продолжение). Отбор признаков.
Семинар 13 Решающие деревья
Семинар 14 Bias-Variance decomposition, бэггинг и случайные леса
Семинар 15 Бустинг. Часть 1 (Идея подхода, функции потерь, особенности GB)
Семинар 16 Бустинг. Часть 2 (Различные реализации бустинга)
Тема 18 Кластеризация.
Тема 19 ЕМ-алгоритм.
Тема 20 ЕМ-алгоритм. Одноклассовая классификация.
Тема 21 Одноклассовая классификация.
Тема 22 Поиск аномалий. Спектральная кластеризация.
Тема 23 Кластеризация. Тематическое моделирование.
Семинар 17 Кластеризация
Семинар 18 EM-алгоритм
Семинар 19. Байесовские методы машинного обучения.
Семинар 20. Машинное обучение на графах.
Семинар 21. Кластеризация на графах.
Тема 19 ЕМ-алгоритм.
Тема 20 ЕМ-алгоритм. Одноклассовая классификация.
Тема 21 Одноклассовая классификация.
Тема 22 Поиск аномалий. Спектральная кластеризация.
Тема 23 Кластеризация. Тематическое моделирование.
Семинар 17 Кластеризация
Семинар 18 EM-алгоритм
Семинар 19. Байесовские методы машинного обучения.
Семинар 20. Машинное обучение на графах.
Семинар 21. Кластеризация на графах.
Тема 24 Отбор признаков
Тема 25 Метрические методы.
Тема 26 Быстрый поиск ближайших соседей 1.
Тема 27 Быстрый поиск ближайших соседей 2.
Семинар 22 Отбор признаков
Семинар 23 kNN.
Семинар 24 Обучение метрик.
Семинар 25 Multi-label классификация.
Тема 25 Метрические методы.
Тема 26 Быстрый поиск ближайших соседей 1.
Тема 27 Быстрый поиск ближайших соседей 2.
Семинар 22 Отбор признаков
Семинар 23 kNN.
Семинар 24 Обучение метрик.
Семинар 25 Multi-label классификация.
Тема 28 Обучение ранжированию 1.
Тема 29 Обучение ранжированию 2.
Тема 30 Рекомендательные системы 1.
Тема 31 Рекомендательные системы 2.
Семинар 28 Рекомендательные системы.
Тема 29 Обучение ранжированию 2.
Тема 30 Рекомендательные системы 1.
Тема 31 Рекомендательные системы 2.
Семинар 28 Рекомендательные системы.
Тема 32 Временные ряды 1
Тема 33 Временные ряды 2
Семинар 26 Time Series. ETNA.
Семинар 27 Time Series 2.
Тема 33 Временные ряды 2
Семинар 26 Time Series. ETNA.
Семинар 27 Time Series 2.
Тема 34 Продуктовая аналитика 1.
Тема 35 Продуктовая аналитика 2.
Семинар 29 Статистика и A/B тестирование.
Тема 35 Продуктовая аналитика 2.
Семинар 29 Статистика и A/B тестирование.
Тема 36 MLOps.
Семинар 30 MLOps
Семинар 30 MLOps
Технологии/инструменты
Команда курса
Преподаватели - эксперты индустрии
Учись у практиков!
Учись у практиков!
- Роман ЗахаровCEO & Founder TechBrain
Какой получите
результат
результат
1
Обучение
Научитесь строить модели. Оценивать качество моделей. Познакомитесь с большим количеством практических кейсов. Узнаете тонкости применения разных моделей в практических кейсах. Реализуете свою библиотеку машинного обучения
2
Задания курса и курсовой проект
Приобретёте навык работы в команде
Навык проектирования решений и их защиты для бизнес заказчика
Навык мониторинга метрик качества вашего решения и вывод вашего решения в продуктовый контур
Навык проектирования решений и их защиты для бизнес заказчика
Навык мониторинга метрик качества вашего решения и вывод вашего решения в продуктовый контур
3
Резюме и интервью
Благодаря проектам пополните своё резюме
Скоринг знаний для подготовки к интервью
Скоринг знаний для подготовки к интервью
- 1Учись в своём режимеВсе вебинары и практические занятия записываются
- 2Поддержка экспертовРазвёрнутые фидбэки от экспертов по вопросам на курсе
- 3ПрактикаБольшое количество практики и 3 курсовых проекта и дипломный проект
- 4ЗарплатаСредняя зарплата data scientista около 180 т.р. в месяц по оценке hh
- 5ПопулярностьОстрая нехватка кадров с практическим опытом как на Российском рынке, так и на зарубежном
- 6СложностьКурс рассчитан на глубокое погружение в машинное обучение с полного "нуля"
будет проще если вы на первом этапе пройдёте курс по python
Стоимость
