Открыто

Machine Learning для начинающих [2022] [karpov.courses] [Нерсес Багиян, Никита Табакаев, Эмиль Каюмов, Алексей Кожарин] [Повтор]

Тема в разделе "Курсы по программированию", создана пользователем Toxich, 10 дек 2021.

Цена: 110000р.
Взнос: 2000р.-98%

Основной список: 60 участников

Резервный список: 30 участников

  1. 10 дек 2021
    #1
    Toxich
    Toxich ЧКЧлен клуба
    Machine Learning для начинающих [2022]
    START ML [2022]
    karpov.courses
    Нерсес Багиян, Никита Табакаев, Эмиль Каюмов, Алексей Кожарин


    Всё про самую увлекательную профессию 21 века: от сбора данных до оценки эффекта от моделей машинного обучения.

    Мы включили в программу теорию по математике в необходимом для практики объеме. Она подаётся совместно с основным уроком, так что учить отдельно не придется.

    Мы старались включить как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.

    Для кого эта программа:
    1. Старт карьеры
    Хотите изучить машинное обучение, но не знаете, с чего начать. Курс научит вас необходимой математической базе для работы в ML и даст навыки для старта карьеры.​
    2. Уже работает в IT
    Вы уже работаете в IT, но хотите перейти в новую сферу или расширить свои знания и навыки, чтобы применить их в различных областях машинного обучения.​

    Модуль 1 - Прикладная разработка на Python
    Python — один из самых популярных инструментов для анализа данных. В этом блоке мы научимся работать с этим языком, познакомимся с основными библиотеками для ML и узнаем, как грамотно использовать Python при командной работе. Полученных знаний будет достаточно для работы не только в области анализа данных, но и в классической разработке на Python.

    1. Основные сведения о Python
    • Познакомимся с основными определениями, узнаем, что такое дин, типизация и проcтой синтаксис.
    • Изучим базовые структуры данных — list, tuple, dict, set, и операции с ними.
    • Узнаем, как писать for, while, if (пока без with, try/except), break, continue.
    2. Функции. Ссылочная модель данных. Погружение в типы. Изменяемые типы, срезы, работа со строками
    • Разберём, как написать свою функцию.
    • Изучим обязательные аргументы, аргументы по-умолчанию и ссылочную модель данных.
    • Рассмотрим изменяемые и неизменяемые типы.
    • Выясним, как выглядит модификация неизменяемых типов «под капотом» и как устроен полный синтаксис.
    3. Внешние модули. Экосистема PyPi. Установка пакетов в виртуальные окружения
    • Импортируем встроенные модули, узнаем, где искать сторонние библиотеки и как их устанавливать от начала до конца на примере numpy, pandas.
    • Разберёмся, зачем и как нужно создавать окружения, а также зачем нужно фиксировать версии библиотек.
    4. Классы и ООП
    • Познакомимся с понятием «класс» и философией ООП.
    • Рассмотрим основные принципы построения классов и их реализацию на Python.
    5. Версионирование кода и git
    • Познакомимся со способами применения и преимуществами версионирования и ветвления.
    • Настроим git, разберем новые команды (clone,add,commit), научимся создавать «ветки».
    • Познакомимся с merge и origin, изучим форматирование коммитов по шаблону и теги.
    6. Обзор numpy, pandas, jupyter. Основы jupyter
    • Обзор основных библиотек из арсенала DS: numpy, pandas, matplotlib.
    • Начнём работать с jupyter и numpy.
    7. Pandas
    • Познакомимся с основными операциями библиотеки pandas.
    8. Базы данных в Python: основы и ORM
    • Рассмотрим SQL, научимся подключаться к БД в Python на примере PostgresSQL.
    • Познакомимся с концепцией ORM, разберем интеграцию SQLAlchemy с pandas.
    9. Backend-разработка: что это такое. Фреймворк FastAPI для прототипирования backend-сервера
    • Узнаем, чем может быть полезен backend-сервер в ML.
    • Познакомимся с основами backend: методы GET, POST, передача параметров, JSON в body, status code, ответ сервера.
    • Разберём подключение БД 3 способами: через сырые SQL, через SQLAlchemy, через веб-сервер.
    10. Airflow: обзор платформы
    • Познакомимся с возможностями Airflow: шедулинг задач, трекинг прогресса, логгирование.
    • Рассмотрим основные концепции: DAG, task, operator.
    • Напишем простой DAG с зависимостями и PythonOperator.
    • Разберёмся, как Airflow может использоваться в ETL-процессах.
    11. Полезные вещи в разработке
    • Выясним, как передавать кредентиалы в код, как выносить подвижные части в config и когда это делать.
    • Познакомимся с концепцией single source of truth и узнаем, как она упрощает жизнь разработчика.
    • Разберёмся, что такое идемпотентность и как она помогает в Airflow и Jupyter notebook.
    • Научимся расширять PYTHONPATH через консоль и через sys.path.append.
    Модуль 2 - Машинное обучение и приложения
    Классические методы машинного обучения — это основа для большинства современных способов анализа данных, например, для оптимизации банковского ценообразования. Мы изучим основной теоретический инструментарий для успешного построения ML-дизайна в острых проблемах реальной индустрии и отточим новые навыки на практике.

    1. Введение в МО: векторное описание объектов, постановка задач
    • Узнаем, что такое МО и зачем оно нужно.
    • Разберемся с основной терминологией при постановке задач: объекты, метрики, регрессия, классификация, ранжирование, выборка.
    • Научимся решать задачу поиска коэффициентов линейной регрессии без кода (OLS) и готовить сырые данные.
    2. Линейная регрессия: градиентный спуск (OLS). Обобщающая способность модели. Кросс-валидация
    • Обсудим механику и интуицию градиентного спуска, установим теоретически возможные проблемы метода спуска.
    • Реализуем OLS без привлечения сторонних библиотек.
    • Разберем, как использовать кросс-валидацию для оценки модели.
    3. Линейная регрессия: ЛЗ регрессоры, мультиколлинеарность и масштабирование. Регуляризация линейных моделей.
    • Обсудим природу возникновения мультиколлинеарности, научимся с ней бороться с помощью основных подходов регуляризации линейных моделей: Ridge и Lasso.
    • Узнаем, зачем нормализовать фичи: интерпретация, вес оценки коэффициента и оптимальность градиентного спуска.
    4. Метрики качества регрессии: MAPE, MAE, ядровой подход и др.
    • Узнаем разницу между метрикой и лоссом.
    • Обсудим цену знака ошибки и робастность при подборе функционала качества.
    • Научимся подбирать правильную метрику и лосс в зависимости от бизнес-контекста задачи.
    • Математически покажем разницу в ошибке для различных объектов, обсудим статистические свойства оценок при различных методах их получения.
    5. Обработка фичей
    • Научимся кодировать категориальные признаки.
    • Покажем, как нелинейные преобразования фичей могут из плохой модели сделать идеальную и научимся подбирать функциональную зависимость по точкам.
    6. Линейная классификация: оценка вероятности
    • Научимся запускать и настраивать простейшую модель бинарной классификации — логистическую регрессию.
    • Посмотрим, как могут меняться аутпуты на выбросах в зависимости от функции активации.
    • Обсудим базовые методы оценки качества классификации: accuracy, precision, recall, F-мера.
    7. ROC, PR-кривые. AUC-ROC, AUC-PR. Калибровка
    • На примере с предыдущего занятия построим ROC, PR кривые, посчитаем метрики, сравним со случайно моделью.
    • Формально введем определение ROC-AUC, PR-AUC, поговорим про калибровку вероятностей и научимся интерпретировать результаты логистической регрессии.
    8. Метод опорных векторов
    • Обсудим интуицию построения разделяющей гиперплоскости с помощью метода опорных векторов.
    • Узнаем, чем знаменит SVM и сравним оценки качества модели с логрегом.
    • Запустим SVM из коробки, сравним качество и порисуем.
    • Научимся выбирать лучший метод для каждой задачи.
    9. Метод K ближайших соседей: обоснование нелинейности, гиперпараметры и подбор метрики близости объектов
    • Познакомимся с первым нелинейным способом — моделью KNN как для задачи классификации, так и для задачи регрессии.
    • Обсудим мелочи и научимся подбирать подходящую под конкретную задачу функцию расстояния между объектами.
    10. Отбор признаков и понижение размерности признакового пространства
    • Предложим альтернативы регуляризации при отборе фичей — валидацию на признаках.
    • Узнаем, как бороться с разряженным признаковым пространством объектов с помощью метода главных компонент.
    • Научимся визуализировать результаты сложных высокоразмерных меоделей с помощью t-SNE метода и делать адекватные выводы модели.
    11. Многоклассовая классификая: one vs rest, one vs one.
    • Введем новую задачу многоклассовой классификации.
    • Покажем формальные отличия от бинарной классификации.
    • Запустим из коробки, сравним различия в качестве оценки при использовании двух подходов и закрепим навыки визуализации.
    12. Решающее дерево
    • Узнаем, как устроены решающие деревья для задач машинного обучения.
    • Запустим дерево на датасете для задачи регрессии и аналогичное дерево для задачи классификации.
    • Изучим всевозможные гиперпараметры модели и поймем, на что влияет каждый из них.
    • Узнаем критерии построения следующей вершины и все-все, что понадобится для механического и интуитивного понимания работы дерева.
    • Научимся визуализировать и интерпретировать результаты модели.
    13. Композиции алгоритмов. Случайный лес.
    • Узнаем основные методы ансамблирования, познакомимся с понятием метамодели.
    • Обучим стекинг, случайный лес и убедимся в их невероятной пользе.
    • Научимся выбирать лучший из способов ансамблирования в контексте разных задач.
    14. Градиентный бустинг. Bias-variance trade-off.
    • Обсудим идею и интуицию градиентного бустинга.
    • Узнаем про главную диллему машинного обучения: bias-variance tradeoff и на примере научимся раскладывать ошибку на смещение и разброс, сравнивая результат с аналогичными показателями для случайного леса.
    15. Кластеризация
    • Рассмотрим задачу обучение без учителя, k-means, dbscan для кластеризации.
    • Попрактикуемся в визуализации обученных кластеров (t-sne).
    • Узнаем, как кластерный анализ может улучшить процесс построения классических моделей.
    16. Рекомендательные системы
    • Введем задачу построения рекомендательной системы.
    • Обсудим, почему старые методы работают относительно плохо.
    • Научимся использовать user-based, item-based подходы и реализуем коллаборативную фильтрацию.
    17. Машинное обучение: классические задачи и алгоритмы
    • Проведём полный разбор популярных, сложных и интересных кейсов, которые могут встретиться на будущих собеседованиях.
    • Закрепим изученный материал: от описания конкретных параметров модели до ml-дизайна.
    Модуль 3 - Обзор основ Deep Learning
    Глубинное обучение с использованием нейронных сетей появляется тогда, когда классические модели бессильны: детекция объектов с картинки, генерация осмысленного текста, определение тональности звуковой дорожки и многое другое. В данном курсе мы обзорно посмотрим на решения, которые можно сделать с помощью deep learning, и попробуем в них разобраться.

    1. Нейронные сети: полносвязный перцептрон
    • Освоим главные библиотеки по работе с нейронными сетями: tensorflow, torch.
    • Построим своей первый полносвязный перцептрон и познакомимся с базовыми структурными элементами DL.
    2. Градиентный спуск в обучении нейронных сетей
    • Поймём принцип обучения нейронных сетей.
    • Рассмотрим проблемы затухания и взрыва градиента.
    • Узнаем современные подходы: SGD, Adam.
    • Замерим скорость и эффективность работы каждого из них.
    3. Оптимизация в deep learning
    • Познакомимся с технологиями в рамках архитектуры нейронных сетей, которые помогают делать обучение еще более быстрым и эффективным: BatchNorm, DropOut.
    4. Свёрточные нейронные сети
    • Узнаем особенности работы свёрточных нейронных сетей для задач Computer Vision.
    • Познакомимся с особенностями построения фильтров: receptive field, padding'и, pooling'и.
    • Построим свою первую CNN архитектуру для классификации объектов изображений.
    5. Популярные архитектуры CNN
    • Узнаем о самых популярных существующих CNN системах.
    • Поймем их архитектурные отличия.
    • Разберем механику новых приемов, использующихся в этих сетях: например, data augmentation.
    6. Какие еще задачи решают с помощью сверточных нейросетей?
    • Обзор на прочие частые задачи, решаемые свёрточными нейросетями.
    • Зачем нужны автокодировщики и как их обучать? Как решать задачи сегментации и детекции?
    7. Способы кодировки слов: Эмбеддинги в NLP
    • Научимся кодировать текст для обучения семантических моделей.
    • Познакомимся с основными подходами: bag of words, word2vec, skip-gram.
    8. Рекуррентные нейронные сети: структура модели и backprop
    • Рассмотрим задачи NLP.
    • Формально поставим задачу, укажем на особенности градиентного спуска для рекуррентных моделей, поговорим про память модели при обучении.
    9. Архитектуры нейросетей: LSTM и seq2seq
    • Узнаем особенности подходов LSTM, seq2seq и применим их на практике.
    10. Машинное обучение: задачи про глубинное обучение
    • Проведем полный разбор ряда задач глубинному обучению из пула потенциальных вопросов на будущих собеседованиях.
    Модуль 4 - Статистика и A/B тесты
    В этом блоке мы изучим основные понятия математической статистики, необходимые для улучшения моделей. Научимся правильно проводить A/B тестирование, чтобы достоверно измерять влияние внедрения ML моделей на продукт и бизнес. Обсудим нюансы при проведении экспериментов и способы оценки метрик при невозможности проведения A/B-теста.

    1. Зачем нужна статистика и A/B тесты
    • Узнаем, почему недостаточно сделать более классную модель.
    • Разберёмся, как правильно оценивать онлайн-метрики и учитывать шум.
    2. Доверительные интервалы
    • Изучим способы оценки доверительных интервалов случайных величин.
    • Разберём примеры непрерывных случайных величин.
    3. Статистики распределений, взаимосвязь случайных величин, показатели корреляции
    • Какие статистические показатели существуют для оценивания распределений: мода, медиана, математическое ожидание, дисперсия.
    • Узнаем, как можно оценивать взаимосвязь двух случайных величин и как это можно применить в машинном обучении.
    4. Проверка гипотез, параметрические статистические критерии
    • Узнаем, что стоит за проверкой статистических гипотез.
    • Разберём разницу между ошибками первого и второго рода.
    • Поймём суть параметрических статистических критериев и выясним, какие они бывают.
    5. Непараметрические статистические критерии
    • Изучим суть непараметрических статистических критериев и узнаем, какие они бывают.
    6. Метод максимума правдоподобия и ядерная оценка плотности
    • Узнаем, как оценивать распределение: параметрический и непараметрический подходы.
    7. Дизайн A/B эксперимента
    • Выясним, как проходит A/B эксперимент: выбор метрики, определение проверяемой гипотезы, разделение на группы, определение длительности эксперимента и минимального размера выборки, применение статистического критерия.
    8. А/А-эксперименты и валидация методики экспериментирования
    • Разберёмся, как по историческим данным провалидировать метрики и схему проведения A/B экспериментов, как оценить мощность.
    9. Ошибки при проведении A/B тестов
    • Узнаем, какие ошибки возникают при проведении A/B тестов: множественная проверка гипотез, проверка p-value каждый день, ложные прокраски из-за нарушения тестирования, ошибки в разбиение групп.
    10. Увеличение чувствительности А/В тестов
    • Разберём техники для уменьшения дисперсии и увеличения мощности тестов.
    11. Невозможность проведения А/В тестов
    • Выясним, в каких случаях и почему может не подходить классический A/B-тест.
    • Узнаем, как проводить эксперименты при наличии сетевого эффекта и в других ситуациях.
    12. Собеседования по теории вероятности, статистике и А/B тестированию
    • Разберём задачи, которые часто встречаются на собеседованиях.
    Модуль 5 - Собеседования и как их пройти
    В последнем блоке курса мы еще раз вспомним основные моменты из всего курса и обсудим, как проходят собеседования на младшего специалиста в машинном обучении, как к ним готовиться и как их проходить. Мы хотим поделиться своим опытом и помочь пройти первый этап в поиске профессии мечты.

    1. Программирование на Python: что обычно спаршивают на собеседованиях, какие вопросы могут встречаться
    • Расскажем, о чем вас могут спросить в русских и зарубежных компаниях.
    • В конце урока проведем пробное собеседование и подробно его разберем.
    2. Программирование на Python: сложность вычислений и их оценка
    • Узнаем, что означает "работает за квадратичное время".
    • Научимся оценивать сложность по внутренностям цикла.
    3. Программирование на Python: задачи и теория на массивы, одно/двух-связные списки, не алгоритмические вещи
    • Разберем задачи на массивы, которые могут встретиться на собеседованиях.
    • Познакомимся с односвязным и двусвязным списком, рассмотрим связанные с ним задачи.
    • Напоследок поговорим про отдельный тип задач на умение внимательно продумывать код и рассматривать граничные случаи — такие часто используются на собеседованиях для проверки внимательности кандидата.
    4. Программирование на Python: задачи и теория на деревья и графы
    • Разберём задачи на графы и их популярную вариацию — деревья.
    • Изучим основные алгоритмы на графах и популярные приемы при решении задач.
    5. Программирование на Python: задачи и теория про динамическое программирование
    • Разберём новый тип задач и подход к их решению— динамическое программирование.
    • Узнаем, как правильно подступаться к решению, какие есть подводные камни и попробуем свои силы на практических примерах.
    6. Машинное обучение
    • В этом уроке мы вспомним материалы из блоков про машинное обучение и еще раз обсудим, с какими задачами можно столкнуться на собеседовании.
    7. Прикладная статистика
    • В этом уроке мы вспомним материалы из блока про статистику и А/B теста и еще раз обсудим, с какими задачами можно столкнуться на собеседовании.

    Продажник
     
    4 пользователям это понравилось.
  2. Последние события

    1. skladchik.com
      В складчине участвует 50 человек(а).
      22 фев 2024
    2. skladchik.com
      В складчине участвует 50 человек(а).
      21 фев 2024
    3. Olga_Kmb
      Olga_Kmb не участвует.
      18 фев 2024
    4. skladchik.com
      В складчине участвует 50 человек(а).
      17 фев 2024

    Последние важные события

    1. skladchik.com
      Назначен организатор.
      15 фев 2024
    2. skladchik.com
      Цена составляет 110000р.
      29 янв 2024
  3. Обсуждение
  4. 3 янв 2022
    #2
    HiggsBoson
    HiggsBoson ДолжникДолжник
    Интересная школа. Жду старт складчины с нетерпением.
     
  5. 26 янв 2022
    #3
    Vegora
    Vegora СкладчикСкладчик
    Я с платной дата аналитики, в жизнь больше копейки карпову не дам. Такое разочарование, такое раздоблайство!
     
    1 человеку нравится это.
  6. 26 янв 2022
    #4
    Aesma
    Aesma ЧКЧлен клуба
    Интересно. А что не понравилось? Уточните пожалуйста, вы складчину покупали или именно курс? Если курс, то получилось ли с трудоустройством (в курсе это обещается)?
     
  7. 26 янв 2022
    #5
    Vegora
    Vegora СкладчикСкладчик
    не этот,data analyst. Трудоустройство -скинуть вакансии партнеров, в принципе,в чате телеграмма тоже найти можно. Но больше всего не понравилось аэйрфлоу, на редкость раздолбайский курс, они его переписали, вышло не очень
    Возможно, это мои завышенные ожидания, но когда ты идешь на платный кукрс статистики,а тебе суют те же задния,что и на бесплатном курсе степика - начинаешь переосмысливать
     
    2 пользователям это понравилось.
  8. 10 май 2022
    #6
    rexxsz
    rexxsz ЧКЧлен клуба
    За сколько выкупать будем? Есть кто оргом стать сможет?
     
    3 пользователям это понравилось.
  9. 13 май 2022
    #7
    renaz
    renaz ДолжникДолжник
    Ждёмс
     
    3 пользователям это понравилось.
  10. 16 сен 2022
    #8
    Password720
    Password720 ДолжникДолжник
    добрый день! Правильно понимаю, что доступ сразу ко всем материалам курса без дробления на части?
     
  11. 16 сен 2022
    #9
    OverMoon
    OverMoon ОргОрганизатор
    @Password720, В этой складчине нет орга, и ее не проведут
     
  12. 17 фев 2024
    #10
    super777nova
    super777nova ЧКЧлен клуба
    За 600 я бы выкупил. Пока что дорого.
     

Поделиться этой страницей