Спасибо за интерес
к нашим курсам.

В благодарность за это мы дарим скидку на любой курс, который Вы выберете. Укажите пожалуйста адрес на который мы можем отправить Вам промокод:

Спасибо!
Нет, спасибо

Курс Data Science в Одессе

в Одессе

На данном курсе будут рассмотрены различные задачи машинного обучения с точки зрения работы с данными и особенностей различных моделей машинного обучения:

В качестве языка будет использоваться Python, как самый распространенный на сегодняшний день язык для работы с машинным обучением и анализом данных.

Вы научитесь работать с pandas для работы с табличными данными, numpy для работы с векторными операциями, matplotlib для визуализации и jupyter для быстрого анализа и разработки.

Будут разобраны различные модели машинного обучения, особенности работы и области применения.

В ходе вы научитесь ставить задачи, готовить для них данные и строить модели для их решения.

Перед началом основного курса будут проведены 4 дополнительных занятия по основам языка Python.

Структура курса

Длительность курса
12 занятий
Интенсивность
2 занятия
в неделю
Начало занятий
Конец октября
Место обучения
Одесса

Курс преподает

  • Сергей Королев
    Software Engineer в Snap Inc.

    Закончил математический факультет и факультет компьютерных наук ВШЭ, работал исследователем в лаборатории LAMBDA Яндекса и ВШЭ и в Институте проблем передачи информации и Сколтехе.

    Участвовал в конкурсах на kaggle и занял первое место с командой ODS на третьем хакатоне DeepHack по Reinforcement Learning в феврале 2017.
    Работает в Snap Inc. и параллельно устраивает тренировки по машинному обучению.

    Играет на гитаре, увлекается глубоким обучением и обучением с подкреплением.

Программа курса

Курс поможет вам:

  • научиться работать с данными, строить модели машинного обучения
  • разобраться с визуализацией различных структур данных
  • научиться строить предиктивные модели для анализа различных процессов

Цель курса:

Получить общее представление об анализе данных и машинном обучении

Понять предназначение различных моделей машинного обучения и областей использования

Узнать стандартные решения широко распространенных задач анализа данных

Требования:

  • Знание Python или готовность быстро разобраться.
  • Знание линейной алгебры, математического анализа, теории вероятности и статистики на уровне первого курса технического вуза.

Чего НЕ будет в данном курсе:

  • BigData — это отдельная область более техническая и инженерная, в которой можно будет детальнее разобраться после окончания курса.
  • DeepLearning — другая область, которая будет затронута очень поверхностно и также может быть изучена после окончания курса.

Перед началом основного курса будут проведены 4 дополнительных занятия по основам языка Python для получения базовых знаний

1
Настройка окружения для работы
  • Создание проекта
  • Гит
  • Conda/virtualenv
2
Exploratory analysis
  • Визуализация данных
  • Построение графиков
  • Работа с табличными данными
3
Задачи машинного обучения
  • Обучение с учителем
  • Регрессия и классификация
  • Обучение без учителя
4
Линейные модели
  • Линейная регрессия
  • Перцептрон
5
Нелинейные модели
  • Полиномиальная регрессия
  • Логистическая регрессия
6
Особенности обучения
  • Переобучение
  • Кросс-валидация
  • Регуляризация
7
Тестирование моделей
  • Метрики качества
8
Деревья решений
9
Ансамблирование моделей
  • Бэггинг
  • Бустинг
  • Стэкинг
10
Работа с текстовыми данными
  • Эмбеддинги, tf-idf, bag of words
  • Визуализация и классификация текстов
11
Работа с временными данными
  • Генерация данных
  • Генерация признаков для классических моделей
  • ARIMA
12
Обучение без учителя
  • PCA
  • t-SNE
  • Кластеризация
13
Финальный проект
  • Постановка задачи
  • Подготовка данных
  • Построение моделей
  • Измерение качества
  • Презентация результатов
Вручение сертификата
Получить вступительный тест
Для записи на этот курс необходимо выполнить тест!

Преимущества школы

Офисы в центре города с удобной транспортной развязкой
Учебные классы, оборудованные компьютерами и современной техникой
Удобное время обучения
Вовлечение в IT-мероприятия города

Наши преподаватели и студенты работают в

Факторы успеха
Мотивация студента
При должной мотивации, вы будете ответственнее подходить к процессу обучения, что позволит успешно завершить курс.
Посещение занятий
Регулярное посещение занятий позволит системно проходить обучение, не упуская важных тем для изучения.
Домашние задания
Выполняя домашние задания, вы практикуетесь, получая оценку ваших работ и практические советы от преподавателя.
Самостоятельное обучение
Для достижения успеха по окончанию обучения, нужно около 200 часов провести за самостоятельным изучением материалов.

Регистрация на курс Data Science

* Поля обязательны для заполнения.
Регистрация успешно завершена
С Вами свяжутся в ближайшее время.
Зарегистрироваться
Если у вас остались вопросы, запишитесь на бесплатную консультацию, и наш администратор Дмитрий ответит на все интересующие вас вопросы.