Войти
Каталог
Длительность
Формат
онлайн
онлайн
Математика и Machine Learning для Data Science
Старт
Уровень
с нуля
с нуля
Чтобы быть крутым специалистом в Machine Learning, недостаточно просто разобраться в принципах работы классических моделей. Нужно быть универсальным специалистом и понимать, как именно все работает, и тут понадобится математика.
13 декабря
5,5 мес
Сделайте свое резюме привлекательным
для крупных компаний
для крупных компаний
Каждый, кто начинает путь в Data Science, стремится когда-нибудь дорасти до уровня Senior. Но требования к специалистам такого уровня, особенно в крупных компаниях, очень высоки. Большинство соискателей не могут пройти собеседование.
Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, мало владеть основными методами машинного обучения и нейронных сетей: важно понимать законы математики и статистики у них «под капотом».
Мы объединили 2 важных курса: вы сможете изучить сначала математику, а затем научитесь строить модели машинного обучения, или пройти два курса параллельно и освоить новую профессию всего за 3 месяца.
Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, мало владеть основными методами машинного обучения и нейронных сетей: важно понимать законы математики и статистики у них «под капотом».
Мы объединили 2 важных курса: вы сможете изучить сначала математику, а затем научитесь строить модели машинного обучения, или пройти два курса параллельно и освоить новую профессию всего за 3 месяца.
Преимущества курса
- Мы рассказываем о математике понятно. Наша цель — не сделать из вас специалиста по фундаментальный математике, но научить вас понимать законы математики для построения моделей.
- Курс состоит по большей части из практики, которая не ограничивается решением классических уравнений и абстрактных заданий. Вы поймете, как знание математики и статистики работает в решении реальных жизненных задач в области анализа данных, прогнозирования и оптимизации.
- Мы рассматриваем применение математических и статистических закономерностей в машинном обучении и нейронных сетях, чтобы вы в дальнейшем могли работать не только с типовыми моделями и архитектурами.
- У нас есть не только сообщество единомышленников, с которыми вы можете обсудить затруднения и поделиться наболевшим, но и поддержка ментора, который поможет выйти из тупика. Вы не останетесь с трудностями один на один.
Курсы из специализации Data Science
Deep Learning
Python
Math&Stat
Machine Learning
Data Engineering
Менеджмент
Преподаватели
- Эмиль МагеррамовCOO Data Lab,
компания EORA - Аяна ШеликеПреподаватель статистики и линейной алгебры МИЭФ ВШЭ
Выпускница мехмата МГУ - Антон КиселевHead of R&D, компания EORA
- Сергей ВеренцовCTO, компания EORA
- Эмиль БогомоловИнженер-исследователь в группе ADASE Сколтех
Программа курса по математике
Часть 1
Часть 1
Линейная алгебра
Изучаем вектора и виды матриц
Учимся проводить операции над матрицами
Определяем линейную зависимость с помощью матриц
Изучаем обратные, вырожденные и невырожденные матрицы
Изучаем системы линейных уравнений, собственные и комплексные числа
Осваиваем матричное и сингулярное разложение
Решаем задачи линейной зависимости с помощью матриц
Оптимизируем с помощью метода главных компонент
Закрепляем математические основы линейной регрессии
Учимся проводить операции над матрицами
Определяем линейную зависимость с помощью матриц
Изучаем обратные, вырожденные и невырожденные матрицы
Изучаем системы линейных уравнений, собственные и комплексные числа
Осваиваем матричное и сингулярное разложение
Решаем задачи линейной зависимости с помощью матриц
Оптимизируем с помощью метода главных компонент
Закрепляем математические основы линейной регрессии
Часть 2
Часть 2
Основы матанализа
Изучаем функции одной и многих переменных и производные
Осваиваем понятие градиента и градиентного спуска
Тренируемся в задачах оптимизации
Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
Закрепляем математические основы градиентного спуска и имитации отжига
Осваиваем понятие градиента и градиентного спуска
Тренируемся в задачах оптимизации
Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
Закрепляем математические основы градиентного спуска и имитации отжига
Часть 3
Часть 3
Основы теории вероятности и статистики
Изучаем общие понятия описательной и математической статистики
Осваиваем комбинаторику
Изучаем основные типы распределений и корреляции
Разбираемся в теореме Байеса
Изучаем наивный байесовский классификатор
Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теории вероятности
Закрепляем математические основы классификации и логистической регрессии
Осваиваем комбинаторику
Изучаем основные типы распределений и корреляции
Разбираемся в теореме Байеса
Изучаем наивный байесовский классификатор
Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теории вероятности
Закрепляем математические основы классификации и логистической регрессии
Часть 4
Часть 4
Временные ряды и прочие математические методы
Знакомимся с анализом временных рядов
Осваиваем более сложные типы регрессий
Прогнозируем бюджет с помощью временных рядов
Закрепляем математические основы классических моделей машинного обучения
Осваиваем более сложные типы регрессий
Прогнозируем бюджет с помощью временных рядов
Закрепляем математические основы классических моделей машинного обучения
Краткая программа курса по Machine Learning
Помощь наставника на протяжении обучения
Модуль 1
Модуль 1
Введение в машинное обучение
Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
Решаем 50+ задач на закрепление темы
Решаем 50+ задач на закрепление темы
Модуль 2
Модуль 2
Методы предобработки данных
Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
Решаем 60+ задач на закрепление темы
Решаем 60+ задач на закрепление темы
Модуль 3
Модуль 3
Регрессия
Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
Решаем 40+ задач на закрепление темы
Решаем 40+ задач на закрепление темы
Модуль 4
Модуль 4
Кластеризация
Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
Решаем 50+ задач на закрепление темы
Решаем 50+ задач на закрепление темы
Модуль 5
Модуль 5
Tree-based алгоритмы: введение в деревья
Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
Решаем 40+ задач на закрепление темы
Решаем 40+ задач на закрепление темы
Модуль 6
Модуль 6
Tree-based алгоритмы: ансамбли
Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
Решаем 40+ задач на закрепление темы
Участвуем в соревновании на kaggle по обучению tree-based модели
Решаем 40+ задач на закрепление темы
Участвуем в соревновании на kaggle по обучению tree-based модели
Модуль 7
Модуль 7
Оценка качества алгоритмов
Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
Оцениваем качество нескольких моделей ML
Решаем 40+ задач на закрепление темы
Оцениваем качество нескольких моделей ML
Решаем 40+ задач на закрепление темы
Модуль 8
Модуль 8
Временные ряды в машинном обучении
Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
Решаем 50+ задач на закрепление темы
Решаем 50+ задач на закрепление темы
Модуль 9
Модуль 9
Рекомендательные системы
Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
Решаем 50+ задач на закрепление темы
Решаем 50+ задач на закрепление темы
Модуль 10
Модуль 10
Финальный хакатон
Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle
Как проходит обучение
Изучаете подготовительный материал
Вы сможете проходить обучение из любой точки планеты. Новые модули будут открываться раз в неделю. Специально разработанный контент и дополнительные материалы помогут разобраться в теме.
Выполняете практические задания
Практика состоит из трех частей: выполнения простых упражнений на вычисления; выполнения упражнений на базе Python; решения жизненных задач из области анализа данных, прогнозирования и оптимизации.
Общаетесь с однокурсниками и получаете фидбэк ментора
Вы будете постоянно общаться со своими сокурсниками в закрытых каналах. Если вы что-то не поймете или не справитесь с задачей — мы поможем разобраться.
Сдаете выпускной экзамен
В конце курса вас ждет специальное задание, в котором вы сможете применить все полученные навыки и подтвердить успешное изучение материала.
Учитесь из любой точки в удобное время
Развивайте профессиональные навыки в онлайн-формате
Москва
Ереван
Алматы
Минск
Киев
Ташкент
Баку
Казань
Берлин
Тель-Авив
Лондон
Хельсинки
Варшава
Тбилиси
Прага
Франкфурт-на-Майне
Амстердам
Рига
Таллин
Вильнюс
Батуми
Гродно
Кишинев
Нур-Султан
Санкт-Петербург
Новосибирск
Одесса
Нижний Новгород
Харьков
Воронеж
Ростов-на-Дону
Екатеринбург
Уфа
Самара
Красноярск
Омск
Челябинск
Калининград
Пермь
Волгоград
Днепропетровск
Ставрополь
Краснодар
Ижевск
Саратов
Иркутск
Тюмень
Астрахань
Тольятти
Хабаровск
Ярославль
Владивосток
Сочи
Владимир
Рязань
Махачкала
Королёв
Архангельск
Мурманск
Грозный
Симферополь
Йошкар-Ола
Набережные Челны
Севастополь
Томск
Бишкек
Тула
Калуга
Ульяновск
Гомель
Барнаул
Тверь
Балашиха
Чебоксары
Смоленск
Иваново
Пенза
Чехов
Подольск
Донецк
Оренбург
Липецк
Курск
Кемерово
Мытищи
Петрозаводск
Люберцы
Новокузнецк
Брянск
Череповец
Сургут
Кострома
Химки
Одинцово
Киров
Белгород
Якутск
Тамбов
Видное