[digitaltech.school] Питон: Машинное обучение и Большие данные

[digitaltech.school] Питон: Машинное обучение и Большие данные

Data Science / Python / Machine learning

Все больше компаний осознают значение данных и понимают условия правильной работы с ними для увеличения эффективности всего бизнеса. А профессионалы в области data science в настоящее время становятся одними из самых востребованных на рынке. В рамках это практического курсы мы заложим основу работы с данными с помощью языка Python и рассмотрим реализацию алгоритмов машинного обучения для решения типичных задач специалиста data scientist.

Спойлер: Программа курса

1. Data Science & Python (3 занятия)

1.1. Введение в Python

• История возникновения Python
• Преимущества и недостатки
• Синтаксис языка
• Типы данных
• Функции
• ООП — объектно ориентированное программирование
• Pythonic идиомы
• Мультипоточность

1.2. Инструменты. Подготовка данных

• IPython + JupyterHub
• Работа с файлами
• Регулярные выражения
• Парсинг текстов (beautiful soup, nltk, и др)
• Другие форматы — JSON, XML
• Параллельная обработка

1.3. Работа с данными

• Pandas
• Matplotlib/Ggplot
• Sklearn
• Numpy, Scipy

2. Machine learning (5 занятий)

2.1. Введение в машинное обучение

• Повторение необходимых элементов теории вероятностей и линейной алгебры
• Виды обучения и виды типичных задач
• Когда нужно и когда не нужно машинное обучение

2.2. Линейные модели для классификации и регрессии

• Градиентный спуск, целевые функции для обучения моделей
• Хэширование признаков (hashing trick)
• Квадратичные и кубические признаки

Практика: линейные модели в sklearn, vowpal wabbit


2.3. Непараметрические модели: метод ближайшего соседа и метод опорных векторов (SVM); Обучение без учителя (unsupervised learning): кластеризация и понижение размерности

• Метод ближайшего соседа
• Метод опорных векторов (SVM)
• Иерархическая кластеризация и алгоритм k-means
• Понижение размерности: алгоритмы MDS и PCA

Практика: kNN, SVM, k-means, PCA в sklearn


2.4. Обучение деревьев классификации и регрессии (CART)

• Энтропия и алгоритм ID3
• Бустинг и бэггинг для построения ансамблей

Практика: random forest и gradient boosting в sklearn, C5.0


2.5. Нейронные сети (deep learning)

• Композиционность и обучение представлений (representation learning)
• Градиентный спуск, дифференцирование сложных функций
• Типичная структура сети, целевые функции и используемые слои
• Свёрточные нейронные сети

Практика: сверточные нейронные сети в keras


Практические занятия

Каждое занятие ориентированно на практическое применение Python для анализа данных, вас также ждет много практики и домашних заданий по машинному обучению.

Для кого

• Аналитики
• Разработчики
• Менеджеры, которые хотят погрузиться в технические детали
• Студенты технических специальностей

Требования к слушателям

• Базовое представление о программировании
• Базовое знание статистики и теории вероятности

Старт
28/03/2017

Преподаватель:
Сергей Лисицын

Продажник: