Машинное обучение. Часть 5/5

Модуль 1. Теория вероятностей и математическая статистика Модуль 2. Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn Модуль 3. Библиотеки Python для Data Science: продолжение Модуль 4. Алгоритмы анализа данных Модуль 5. Системы машинного обучения в Production Теория вероятностей и математическая статистика Случайные события. Условная вероятность. Формула Байеса. Независимые испытания Дискретные случайные величины. Закон распределения вероятностей. Биномиальный закон распределения. Распределение Пуассона Описательная статистика. Качественные и количественные характеристики популяции. Графическое представление данных Непрерывные случайные величины. Функция распределения и плотность распределения вероятностей. Равномерное и нормальное распределение. Центральная предельная теорема Проверка статистических гипотез. P-значения. Доверительные интервалы. A/B-тестирование Взаимосвязь величин. Параметрические и непараметрические показатели корреляции. Корреляционный анализ Многомерный статистический анализ. Линейная регрессия Дисперсионный анализ. Логистическая регрессия Курсовой проект Разведочный анализ данных (EDA) на основе выбранного датасета: визуализация, корреляционный, дисперсионный и факторный анализ Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn Введение в курс. Вебинар Вычисления с помощью Numpy. Работа с данными в Pandas. Видеоурок Вычисления с помощью Numpy. Работа с данными в Pandas. Вебинар Визуализация данных в Matplotlib. Видеоурок Визуализация данных в Matplotlib. Вебинар Обучение с учителем в Scikit-learn. Видеоурок Обучение с учителем в Scikit-learn. Вебинар Обучение без учителя в Scikit-learn. Видеоурок Обучение без учителя в Scikit-learn и введение в итоговый проект. Вебинар Консультация по итоговому проекту. Вебинар Курсовой проект Соревнование на платформе Kaggle по предсказанию цены на недвижимость, решение задачи регрессии Библиотеки Python для Data Science: продолжение Введение в задачу классификации. Постановка задачи и подготовка данных Анализ данных и проверка статистических гипотез Построение модели классификации Оценка и интерпретация полученной модели. Обсуждение курсового проекта Курсовой проект Соревнование на платформе Kaggle по кредитному скорингу, решение задачи классификации Алгоритмы анализа данных Алгоритм линейной регрессии. Градиентный спуск Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск Логистическая регрессия. Log Loss Алгоритм построения дерева решений Случайный лес Градиентный бустинг (AdaBoost) Классификация с помощью KNN. Кластеризация K-means Снижение размерности данных Курсовой проект Участие в одном или двух соревнованиях на Kaggle: предсказать средний балл на экзамене по математике, который получают ученики репетиторов (задача регрессии); предсказать, подойдет ли репетитор для подготовки к экзамену по математике (задача классификации) Системы машинного обучения в Production Введение в задачу предсказания оттока. Формализация задачи и сбор сырых данных Загрузка данных и построение обучающей выборки. Анализ и предобработка датасета. Балансировка классов Выбор и обучение модели на отобранных признаках. Сравнение качества и оценка модели Оценка потенциального влияния на бизнес. Масштабирование решения Подготовка к продакшену. Планировщик задач и перенос проекта из Jupyter в PyCharm Курсовой проект Оценка потенциального влияния на бизнес ML-решения, построение модели оттока клиентов в игровых проектах и подготовка кода для Production в PyCharm