👨‍💻DEV [Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024)

[Odyvanchik]

[Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024)

Data Scientist (2024) [Слёрм] [Иван Аникин, Владимир Бугаевский]

Это курс об автоматизации. Вы узнаете, как научить компьютеры «думать» самостоятельно.

Мы поможем уверенно стартовать в карьере в ML: вы сможете сделать итоговый проект на реальных данных. 30% теории. 70% практики.

Вы научитесь:

1. Анализировать и визуализировать большие объемы данных

2. Сводить бизнес-задачу в задачу машинного обучения

3. Работать с данными разных типов

Какими проектами может заниматься специалист по машинному обучению:

1. Создаст умный поиск, который поймет пользователя с полуслова и точно найдет то, что просит человек

2. Разработает алгоритм для персонифици-рованной рекламы в социальных сетях: чтобы клиенты точно нажали на рекламный баннер, который на 100% попадает в их сердечко

3. Придумает умного бота для общения с клиентами — «Алису 2.0» или голосового помощника «Игоря»

4. Получит информацию из данных компании и сможет предложить на их основе рабочую гипотезу для увеличения прибыли компании

Кому рекомендуем курс:
1. Разработчикам, работающим в кросс-функциональных командах вместе с Data Scientist’ами

На курсе мы даем специфику разработки ML-моделей, а с этими знаниями общаться с коллегами получается эффективнее и продуктивнее. Вы сможете внедрять новые решения и быть уверенными в том, что принесете прибыль проекту.

2. Software Engineer, Data Engineer, DevOps Engineer на уровне Middle

Вы сможете перейти в смежную профессиональную область и начать выполнять другие рабочие задачи. Ваш бэкграунд в дата-направлении поможет быстро перейти от уровня Junior Data Scientist до статуса продвинутого специалиста.

3. Уже знакомы с Python и хотите освоить новое рабочее направление

Data Scientist используют в своей работе библиотеки Python. Так что ваши умения пригодятся вам при переходе в новое направление. Знания линейной алгебры, теории вероятностей и математической статистики будет плюсом.

На курсе мы разбираем:

1. Основные алгоритмы и понятия классического машинного обучения

2. Применение машинного обучения в бизнес-задачах

3. Базовые подходы для построения нейронных сетей, фреймворк PyTorch для написаний нейронных сетей

4. Основные библиотеки для анализа данных: numpy, scipy, pandas, matplotlib

Какие инструменты освоите:
1. Библиотеки

* Pandas

* Numpy

* Matplotlib

* Scikit-learn

* Xgboost

* Lightgbm

* Catboost

* Hyperopt

2. Алгоритмы

* KNN

* Linear Regression

* Logistic Regression

* Clusterization

* Decision Tree

* Gradient Boosting

Программа курса:

* Модуль 0 - Установочная сессия

* Модуль 1 - Введение. Определение ML

* Модуль 2 - Анализ данных как первый шаг к ML/DS

* Модуль 3 - Постановка задачи машинного обучения на примере KNN
Встреча по темам 1-3

* Модуль 4 - Валидация модели и подготовка данных

* Модуль 5 - Обучение с учителем — регрессия

* Модуль 6 - Обучение с учителем — классификация
Встреча по темам 4-6

* Модуль 7 - Деревья решений

* Модуль 8 - Обучение без учителя

* Модуль 9 - Оптимизация ML-пайплайна
Встреча по темам 7-9 + объяснения итогового проекта

* Модуль 10 - Итоговый проект

* Модуль 11 - Введение в глубокое обучение (DL + CV)

* Модуль 12 - Введение в обработку текстов (NLP)

* Модуль 13 - Введение в рекомендательные системы (RecSys)

* Модуль 14 - Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал

* Модуль 15 - Проект
Встреча по доп. модулю + защита проектов



—————————————————————————

🔗 Продажник:

📥 СКАЧАТЬ КУРС:

Для просмотра содержимого вам необходимо Войти или Зарегистрироваться.

🔐 Хотите получить доступ?

Чтобы увидеть скрытые ссылки и ставить лайки, активируйте VIP-статус.

💎 ПОЛУЧИТЬ ДОСТУП Наш Telegram канал