Data Scientist (2024) [Слёрм] [Иван Аникин, Владимир Бугаевский]
Это курс об автоматизации. Вы узнаете, как научить компьютеры «думать» самостоятельно.
Мы поможем уверенно стартовать в карьере в ML: вы сможете сделать итоговый проект на реальных данных. 30% теории. 70% практики.
Вы научитесь:
1. Анализировать и визуализировать большие объемы данных
2. Сводить бизнес-задачу в задачу машинного обучения
3. Работать с данными разных типов
Какими проектами может заниматься специалист по машинному обучению:
1. Создаст умный поиск, который поймет пользователя с полуслова и точно найдет то, что просит человек
2. Разработает алгоритм для персонифици-рованной рекламы в социальных сетях: чтобы клиенты точно нажали на рекламный баннер, который на 100% попадает в их сердечко
3. Придумает умного бота для общения с клиентами — «Алису 2.0» или голосового помощника «Игоря»
4. Получит информацию из данных компании и сможет предложить на их основе рабочую гипотезу для увеличения прибыли компании
Кому рекомендуем курс:
1. Разработчикам, работающим в кросс-функциональных командах вместе с Data Scientist’ами
На курсе мы даем специфику разработки ML-моделей, а с этими знаниями общаться с коллегами получается эффективнее и продуктивнее. Вы сможете внедрять новые решения и быть уверенными в том, что принесете прибыль проекту.
2. Software Engineer, Data Engineer, DevOps Engineer на уровне Middle
Вы сможете перейти в смежную профессиональную область и начать выполнять другие рабочие задачи. Ваш бэкграунд в дата-направлении поможет быстро перейти от уровня Junior Data Scientist до статуса продвинутого специалиста.
3. Уже знакомы с Python и хотите освоить новое рабочее направление
Data Scientist используют в своей работе библиотеки Python. Так что ваши умения пригодятся вам при переходе в новое направление. Знания линейной алгебры, теории вероятностей и математической статистики будет плюсом.
На курсе мы разбираем:
1. Основные алгоритмы и понятия классического машинного обучения
2. Применение машинного обучения в бизнес-задачах
3. Базовые подходы для построения нейронных сетей, фреймворк PyTorch для написаний нейронных сетей
4. Основные библиотеки для анализа данных: numpy, scipy, pandas, matplotlib
Какие инструменты освоите:
1. Библиотеки
- Pandas
- Numpy
- Matplotlib
- Scikit-learn
- Xgboost
- Lightgbm
- Catboost
- Hyperopt
2. Алгоритмы
- KNN
- Linear Regression
- Logistic Regression
- Clusterization
- Decision Tree
- Gradient Boosting
Программа курса:
- Модуль 0 – Установочная сессия
- Модуль 1 – Введение. Определение ML
- Модуль 2 – Анализ данных как первый шаг к ML/DS
- Модуль 3 – Постановка задачи машинного обучения на примере KNN
Встреча по темам 1-3 - Модуль 4 – Валидация модели и подготовка данных
- Модуль 5 – Обучение с учителем — регрессия
- Модуль 6 – Обучение с учителем — классификация
Встреча по темам 4-6 - Модуль 7 – Деревья решений
- Модуль 8 – Обучение без учителя
- Модуль 9 – Оптимизация ML-пайплайна
Встреча по темам 7-9 + объяснения итогового проекта - Модуль 10 – Итоговый проект
- Модуль 11 – Введение в глубокое обучение (DL + CV)
- Модуль 12 – Введение в обработку текстов (NLP)
- Модуль 13 – Введение в рекомендательные системы (RecSys)
- Модуль 14 – Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал
- Модуль 15 – Проект
Встреча по доп. модулю + защита проектов
