0/5, Голосов: 0
Доступно

Data Scientist. Часть 4. Декабрь 2018 [OTUS] [Александр Сизов, Александр Никитин]

Тема в разделе "Курсы по программированию", создана пользователем eassus, 25 апр 2019.

Метки:
Цена: 12150р.
Взнос: 442р.
100%

Основной список: 62 участников

Резервный список: 16 участников

Статус темы:
Закрыта.
  1. eassus

    eassus ОргОрганизатор

    [​IMG]

    Новые преподаватели, новая программа.
    Что даст вам этот курс​

    • Знание алгоритмов машинного обучения и понимание принципов их работы.
    • Освоение современных методов и инструментов анализа и обработки данных.
    • Умение проектировать архитектуру нейросетей, создавать предсказательные модели, работать с ограниченными датасетами, проводить статистические исследования, интерпретировать результаты.
    • Способность извлекать из крупных массивов данных ценную информацию и эффективно ее использовать
    Введение в машинное обучение
    В первом модуле разберем: задачи, которые решают методы машинного обучения; необходимые темы из математического анализа, линейной алгебры и теории вероятности; базовые инструменты анализа данных в python; простые методы машинного обучения (линейная регрессия, логистическая регрессия, lDA, наивный Байес)

    Базовые инструменты анализа данных в Python
    Участники курса узнают, какие задачи они смогут решать по окончании курса, научатся настраивать рабочее окружение и узнат функционал основных библиотек для работы с данными в python (Numpy, Pandas, Sklearn, API Sklearn)

    Необходимые понятия из математического анализа и линейной алгебры
    Участники освоят весь необходмый для данного курса материал из линейной алгебры и математического анализа: научатся решать задачи на собсвенные числа и собственные вектора матриц, находить производные функций и матричных выражений и применять это для задач оптимизации функций, эффективно применять данные алгоритмы в python.

    Необходимые понятия из теории вероятности
    Участники изучат необходимые для курса основы теории вероятности: случайная величина, основные виды распределений случайных величин, научатся считать матожидание, дисперсию случайных величин. Узнают как эффективно делать семплирование из распределений, научатся реализовывать данные алгоритмы на языке python.

    Линейная регресия
    Участники научатся делать описательный анализ данных с помощью библиотеки pandas и визуализацию данных с помощью различных библиотек python (matplotlib, seaborn, plotly, bokeh)

    Feature engineering
    1. Отбор признаков.
    2. Преобразование исходных данных в подходящий для модели формат
    3. Преобразование признаков для повышения точности модели
    4. Выбор части признаков

    Визуализация
    Участники освоят основные библиотеки для визуализации данных в python, будут правильно выбирать виды графиков для визуализации данных разных типов.

    Обучение с учителем. Логистическая регресиия
    Реализации логистической регрессии с помощью метода стохастического градиентного спуска

    Задача классификации. Метод ближайших соседей
    Алгоритм kNN. Влияние нормализации данных в kNN. Структуры данных для оптимизации kNN. Кросс валидация. Методы оценки качества алгоритмов классификации.


     
  2. Последние события

    1. skladchik.com

      Осталось 5 дней до завершения складчины.

      12 июн 2019
    2. skladchik.com

      Складчина доступна.

      12 июн 2019
    3. Das_trader

      Das_trader участвует в складчине.

      12 июн 2019
    4. Максимыч

      Максимыч участвует в складчине.

      4 июн 2019

    Последние важные события

    1. skladchik.com

      Осталось 5 дней до завершения складчины.

      12 июн 2019
    2. skladchik.com

      Складчина доступна.

      12 июн 2019
    3. skladchik.com

      Взнос в складчине составляет 221р.

      4 май 2019
    4. skladchik.com

      Складчина активна.

      4 май 2019
  3. pro10odmin

    pro10odmin ЧКЧлен клуба

    1 человеку нравится это.
  4. Monogatari

    Monogatari ЧКЧлен клуба

    Записывайтесь в курс по Golang
    [OTUS] Разработчик Golang

    Производительность
    По производительности для веб (готовые фреймворки) Go проигрывает только Java и С / С++ и наравне с node.js. При этом потребление ресурсов существенно ниже чем у Java и намного большая производительность чем у Python / Ruby.

    Многопоточность
    При этом имеет просто офигенную многопоточную модель по сравнению с ними. Пока это лучшее, что я встречал для многопоточки / асинхрона. При этом он поддерживает и классические паттерны вроде мьютексов и колбэеков.

    Простота
    Он очень прост в освоении. Мне кажется даже элементарен, особенно если есть основа из Python / JavaScript. Есть также довольно занятная модель наследования, которая, как мне кажется более прозрачна чем классическое ООП, но немного непривычна по началу.

    Надёжность
    Язык этот компилируемый и статически типизированный. Что даёт выявление многих ошибок задолго до продакшена. К примеру такие ошибки в Python выявляются только непосредственным тестированием и, если тестов нет, то шансов положить систему очень много. Тут же это исключается на этапе компиляции.

    Скорость компиляции
    И, наконец, одна из главнейших фишек - не стоит бояться типизации и компиляции. В 145% случаев Вам не придётся объявлять тип переменой в коде - он задаётся автоматически при присвоении ей значения. Объявлять переменные заранее также не нужно.
    Ну и компиляция - главный конёк. Время компиляции, это то, на что делается главный упор при разработке языка. Оно не отличается от времени запуска интерпретируемого языка. То есть система, написанная на go, из нескомпилированных исходников запускается примерно с такой же скоростью как система аналогичной сложности, написанная на интерпретируемом языке.
     
  5. Доктор Лектер

    Доктор Лектер ОргОрганизатор

  6. ArturPokrovskiy

    ArturPokrovskiy СкладчикСкладчик

  7. Knayz

    Knayz ЧКЧлен клуба

  8. Stallworth

    Stallworth ЧКЧлен клуба

  9. Allureallure

    Allureallure ДолжникДолжник

  10. EatYourLoli

    EatYourLoli ОргОрганизатор (П)

  11. nerve

    nerve ЧКЧлен клуба (П)

    Гость, хочешь быть успешным и независимым? Хочешь жить свободно и быть хозяином своей жизни?!
    Разработчики AI, нейросетей и машинного обучения очень востребованы на западном фрилансе с доходом до нескольких сотен тысяч в месяц!

    UpWork - платформа #1 в мире для поиска клиентов и заказчиков на удаленку![/size]

    Многие в нашем клубе ищут способ сменить работу, вид деятельности, увеличить доход или уйти из офиса на свободные хлеба. Я хочу рассказать вам свою историю и поделиться опытом о том, как я дошел до заработка по несколько сотен тысяч рублей в месяц, работая фрилансером на UpWork. Более того, мы с семьей смогли позволить себе уехать жить в Западную Европу более двух лет назад только на доходы от работы на UpWork.

    Фриланс на UpWork - будь свободным, рули свою жизнь сам! - УЖЕ ТРЕТИЙ ПОТОК!

    Это третий поток курса! Идут сборы! ПОСЛЕ ЭТОГО КУРСА ВАМ НЕ БУДУТ НУЖНЫ ДРУГИЕ!

    Присоединяйтесь и меняйте свою жизнь к лучшему!!
    .
     
  12. Томас Шелби

    Томас Шелби ЧКЧлен клуба

Статус темы:
Закрыта.

Поделиться этой страницей