Ежедневные обновления уникальных курсов со складчика. Скачивание абсолютно бесплатно.
Регистрируйтесь в нашем архиве прямо сейчас.

P.S.
Не используйте временные почтовые адреса. Регистрация будет отклонена. Спасибо за понимание.

[Нетология] Профессия - Data Scientist (2019)

Тема в разделе "Программирование", создана пользователем Zigreal, 24 май 2019.

Оставить отзыв:
/5,
  1. Zigreal

    Zigreal Administrator

    Регистрация:
    4 июл 2017
    Сообщения:
    8.236
    Симпатии:
    138
    Баллы:
    63
    Пол:
    Мужской
    [Нетология] Профессия - Data Scientist (2019)

    Программирование

    Скачать [Нетология] Профессия - Data Scientist (2019), Отзывы Складчик » Архив Складчин

    Мощнейший курс по программированию от Нетологии. В сети были некоторые части материала, которые вызывали дикий восторг у людей. В этой раздаче находится весь материал.

    Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы.

    Курс состоит из более чем 180 часов видео и домашних заданий от ведущих специалистов по Data Scientist компаний Mail.ru, Ivi и Avito.

    Первые два набора уже удачно состоялись, и студенты вовсю погрузились в базовые алгоритмы ML, feature engineering, машинное зрение, Data Scientist в e-commerce, временные ряды и прогнозирование стоимости акций и других товаров. Их преподавателями стали эксперты из Yandex Data Factory, Rambler&Co, Сбербанк Технологии и теперь у вас появится возможность получить все необходимые знания и навыки для работы в области больших данных.

    Программа обучения:

    I Подготовительный блок:
    Экспресс-обучение основным инструментам: Python 3, git, библиотеки numpy, pandas. Обзор основного математического аппарата: матричные операции, введение в статистику и проверку гипотез.

    II Введение в data science, основные инструменты:
    Что такое data science, big data, как это работает и где применяется. Эксплоративный анализ и библиотеки визуализации данных. Обзор методов машинного обучения в бибилотеке scikit-learn.

    III Базовые алгоритмы и понятия машинного обучения:
    Разбор основных задач и алгоритмов машинного обучения: деревья решений, метод k ближайших соседей, линейный классификатор и логистическая регрессия, кластеризация. Проверка точности модели. Проблема переобучения и борьба с ней: регуляризация, ансамблирование.

    IV Feature engineering:
    Проблемы качества и размерности данных. Уменьшение размерности данных. Методы декомпозиции. Cпрямляющие пространства.

    V Рекомендательные системы:
    Введение в рекомендательные системы. Неперсонализированные рекомендации. Персонализированные рекомендации. Развитие рекомендательных систем.

    VI Распознавание изображений, машинное зрение:
    Базовая теория. Обзор кейсов применения. Нейросети. Разбор реальных задач: рукописный ввод, детекция и сегментация объектов на изображении.

    VII Обработка естественного языка (NLP):
    Введение в обработку текста. Обзор существующих библиотек, их использование и доработка. Использование внешних ресурсов. Грязные тексты: что это такое и как с ними работать. Дистрибутивная семантика. Чатботы: разбор генерации текстов. Нейросети для NLP.

    VIII Анализ временных рядов, прогнозирование:
    Временные ряды, модели ARMA/ARIMA. Сложные модели прогнозирования. Эксплоративный анализ временных рядов.

    IX Общение с заказчиком:
    Проекты машинного обучения: как выявить требования и оценить проект. Составление отчетов по исследованиям. Мастер-класс по презентации результатов.

    X Data Science в маркетинге и e-commerce:
    Цели, задачи, решения и критерии успешности применения Data Science. Маркетинг Data-Driven vs интуиция. Типы данных и примеры датасетов. Методы сбора из разных источников. Подготовка и обработка данных, извлечение смысла и визуализация. Разбор атрибуции маркетинговых расходов для увеличения дохода интернет-магазина.

    XI Дополнительные инструменты, среды:
    Экосистема Google: BigQuery, Dataflow, Dataproc, Datalab и др. Коммерческие решения HP: Vertica, Haven, IDOL, коннекторы данных. Решения от Amazon (AWS). Хранение и обработка данных в Clickhouse.

    XII Дипломная работа:
    Разработка и внедрение собственного ML-решения/проекта либо разработка предложенного нами кейса.

    Что вы получите в результате обучения

    Достигнутые результаты
    Построена полносвязная нейросеть
    Создан чат-бот для поиска авиабилетов
    Построен классификатор изображений
    Созданы рекомендательные системы для музыкального и киносайта
    Создан готовый к внедрению ml-проект

    Ключевые навыки
    Сбор и подготовка данных для анализа
    Создание нейросетей
    Генерация текстов и изображений
    Создание рекомендательных систем
    Выбор и реализация алгоритма под задачу
    Выбор и создание фич для модели

     
    Отзыв
    Загрузка...
  2. Barasch

    Barasch New Member

    Регистрация:
    27 май 2019
    Сообщения:
    4
    Симпатии:
    0
    Баллы:
    1
    Мощнейший курс, всё ясно и понятно
     
Оставить отзыв:
/5,

Поделиться этой страницей

Share