Продвинутые методы машинного обучения

В этом курсе вы будете изучать основные инструменты и техники работы с данными в Python. Вы научитесь использовать библиотеку NumPy для работы с массивами чисел, получать и предобрабатывать данные с помощью объекта DataFrame, анализировать данные с помощью библиотеки Pandas и выводить статистические результаты.

Курс включает в себя следующие темы, которые вы последовательно изучите в течение четырех недель.

1. Библиотека NumPy.

2. Получение и предобработка данных. Первичная работа с объектом DataFrame.

3. Описательная статистика. Анализ данных с помощью Pandas.

4. Статистика вывода.

После освоения курса вы:

• узнаете о возможностях основных библиотек, используемых для анализа данных; 

• сможете использовать базовые операции по работе с массивами, математические и статистические функции библиотеки NumPy для решения прикладных задач; 

• сможете решать системы линейных уравнений в Python матричным методом, решать задачи с помощью системы линейных уравнений;

• вы узнаете виды, источники и способы хранения данных (csv, tsv-файлы и другие); 

• узнаете структуры данных и инструменты, предоставляемые библиотекой Pandas для работы с данными;

• сможете получить информацию о DataFrame, вычислить описательные статистики для числовых данных, обратиться к элементам DataFrame по индексу и порядковому номеру, изменить индекс;

• сможете выполнять поиск, фильтрацию и сортировку DataFrame с применением методов библиотеки Pandas;

• сможете работать с несколькими таблицами с помощью инструментов библиотеки Pandas;

• сможете отличать и понимать базовые статистические концепции — генеральная совокупность, выборка; 

• узнаете, как использовать библиотеки Python для анализа данных в некоторых задачах машинного обучения.

В конце курса нужно будет пройти проверочный тест и задание на оценку.

В этом курсе вы будете рассматривать средства построения графиков и диаграмм, которые помогут вам наглядно представить данные и принять правильные решения на основе анализа данных. Вы научитесь не только проводить анализ данных, но и визуализировать его и готовить отчет в виде интерактивной презентации.

Курс состоит из четырех недель и включает в себя следующие темы.

1. Введение в визуализацию. Библиотека Matplotlib.

2. Прикладные инструменты визуализации данных.

3. Диаграммы в контексте: инфопанели и презентации.

4. Примеры использования библиотек Python.

После освоения курса вы:

• узнаете когнитивные законы и принципы восприятия информации человеком;

• узнаете возможности библиотеки Matplotlib для построения различных видов графиков и настройки их отображения;

• узнаете об инструментах для визуализации данных, используемых в работе аналитика; 

• изучите функциональные возможности сервиса Yandex DataLens для построения и настройки графиков;

• сможете строить некоторые виды графиков в Yandex DataLens; 

• сможете строить графики и диаграммы с помощью библиотеки Altair, добавлять в графики интерактив и выполнять их настройку; 

• сможете строить статистические диаграммы с использованием библиотеки Seaborn;

• сможете создавать презентации на основе диаграмм с помощью движка Reveal.js, встраивая в него диаграммы из Yandex DataLens; 

• сможете создавать интерактивные инфопанели, применяя функционал библиотеки Altair;

• сможете выбрать библиотеки Python для решения задачи анализа данных;

• сможете использовать функциональные возможности нескольких библиотек в одном проекте.

В конце курса вам необходимо пройти проверочный тест и выполнить задание-проект по исследованию данных, по желанию.

В этом курсе мы обзорно рассмотрим основные подходы в машинном обучении и вспомним понятия линейной алгебры, которые пригодятся при более глубоком изучении методов машинного обучения.

Курс состоит из четырех недель и включает в себя следующие темы.

В конце курса вам необходимо пройти проверочный тест и выполнить практическое задание на оценку. 

После освоения курса вы:

• сможете применять NumPy для работы с векторами и матрицами; 

• сможете вычислять косинусную меру близости векторов и использовать ее для нахождения разницы между словами;

• узнаете виды линейных моделей обучения, метрики измерения качества линейных моделей; 

• узнаете базовые сведения об ансамблевых моделях и сравните производительность ансамблевых моделей; 

• сможете строить модели линейной и логистической регрессии с использованием библиотек Python; 

• сможете рассчитывать метрику качества линейной и логистической регрессии;

• сможете строить ансамблевые модели — решающее дерево, случайный лес, градиентный бустинг;

• обзорно познакомитесь с методами кластеризации и методами понижения размерности, принципами построения рекомендательных систем; 

• сможете реализовать методы кластерного анализа на примере искусственных данных, выполнить расчет оценок качества кластеризации с помощью библиотек Python; 

• сможете реализовать методы понижения размерности применительно к датасету с помощью Python; 

• сможете составить матрицу рейтингов с помощью Python и выполнять операции с ней;

• узнаете основные библиотеки Python, используемые для работы с нейросетями;

• сможете написать программу для вычисления результата сигмоидальной функции активации для заданных входных данных; 

• сможете написать код, реализующий свертку изображения и фильтра; 

• сможете реализовать простую нейросеть, состоящую из одного входного слоя, одного скрытого слоя и одного выходного слоя.

В конце курса вам необходимо пройти проверочный тест и выполнить практическое задание на оценку.