Курс Getting started with Machine Learning and Data Science
ML - 101 Вход в профессию
Преподаватель - Анастасия Риццо
# Международный эксперт по Data Science.
# Прошла технические и data science стажировки в Mozilla, Amazon и ряде других западных компаний.
# Имеет современный опыт в аналитике и данных и категорически избегает buzz words.
# Из океана информации умеет извлекать ценности, трансформируя их в знания, которые будут понятны абсолютным новичкам.
# Знает какие навыки необходимы для успешной карьеры в Data Science.
# Приложит максимум усилий, чтобы раскрыть вам все секреты профессии и дать возможность попробовать свои силы в этой стихии.
Для кого этот курс?!
У вас нет опыта в анализе данных, но вы хотите начать карьеру в Data Science. Многие наши студенты начинали обучение, не имея никаких начальных знаний в области аналитики или программирования.
</>
BI Аналитикам
</>
Data Инженерам
</>
Уже работаете в IT
</>
Старт в карьере
Вы научитесь читать эффективный код на Python, превращать сырые данные в полезную информацию для компании, прогнозировать результаты. Отшлифуете знания, увеличите скорость своей работы и добьётесь повышения.
Если вы уже дата инженер, то научитесь разговаривать на одном языке с Data Science в ваше команде.
Прокачаете Hard Skills в анализе данных. Аналитики с багажом знаний из других областей IT максимально востребованы на рынке.
УВЕЛИЧИТЬ НАВЫКИ И ЦЕННОСТЬ
ПОМОЖЕТ
Описание курса
Вводный курс в теорию машинного обучения и Data Science, с понятной теорией и практическими кейсами из реальной жизни.
Особенно подойдет тем, кому страшно, но очень интересно начать
Особенно подойдет тем, кому страшно, но очень интересно начать
РЕЗУЛЬТАТ:
3
практических кейса
3+
файла .ipynb
Для портфолио на GitHub. Каждый .ipynb файл с разными уникальными datasets.
Зачем Data Science?
Аналитики со знанием Data Science получают на 40-80% больше
Выстраивание отношений в команде с профилем Data Science и понимания, что он делает
Количество вакансий в Data Science выросло на 533% за 3 года
#
#
#
Подробная программа курса
</> Сначала мы рассмотрим Теорию регрессии и некоторые Алгоритмы.
</> Затем увидим как сделать EDA и оценку работы модели машинного обучения для регрессии.
</> И, наконец, мы сделаем первый практический кейс - простую регрессию, весь процесс от и до, все этапы.
</> Как итог: у вас будет один .ipynb файл, который вы положите себе на Github.
</> Затем увидим как сделать EDA и оценку работы модели машинного обучения для регрессии.
</> И, наконец, мы сделаем первый практический кейс - простую регрессию, весь процесс от и до, все этапы.
</> Как итог: у вас будет один .ipynb файл, который вы положите себе на Github.
</> Сначала я расскажу Теорию классификации и объясню некоторые Алгоритмы.
</> Потом рассмотрим EDA и сделаем оценку работы модели машинного обучения для классификации.
</> Как практику, мы сделаем уже два "от и до" практических кейса для разных видов классификации.
</> Как итог: два .ipynb файла для Github.
</> Потом рассмотрим EDA и сделаем оценку работы модели машинного обучения для классификации.
</> Как практику, мы сделаем уже два "от и до" практических кейса для разных видов классификации.
</> Как итог: два .ipynb файла для Github.
</> Мы начнем с базовой теории машинного обучения.
</> Установим jupiter notebook, поговорим про предварительные работы с датасетами, библиотеки, загрузку данных, разные виды датасетов.
</> Разберем EDA (exploratory data analysis), descriptive statistic / описательную статистику, missing values / пропущенные или нулевые значения, numerical & categorical data / числовые и категориальные данные, outliers / выбросы, correlation feature to target / корреляция атрибутов к главному атрибуту, data wrangling and transformation / обработка и трансформация данных.
</> Мы увидим как подготовить датасет для модели машинного обучения: train/test split, overfitting & underfitting / переобучение и недообучение, cross-validation / кросс-валидация.
</> Поговорим про создание модели машинного обучения, как наполнить её данными, как настроить её гиперпараметры, как оценить работу модели, как получить и сохранить predictions.
</> Установим jupiter notebook, поговорим про предварительные работы с датасетами, библиотеки, загрузку данных, разные виды датасетов.
</> Разберем EDA (exploratory data analysis), descriptive statistic / описательную статистику, missing values / пропущенные или нулевые значения, numerical & categorical data / числовые и категориальные данные, outliers / выбросы, correlation feature to target / корреляция атрибутов к главному атрибуту, data wrangling and transformation / обработка и трансформация данных.
</> Мы увидим как подготовить датасет для модели машинного обучения: train/test split, overfitting & underfitting / переобучение и недообучение, cross-validation / кросс-валидация.
</> Поговорим про создание модели машинного обучения, как наполнить её данными, как настроить её гиперпараметры, как оценить работу модели, как получить и сохранить predictions.
Модуль 1
# Теория машинного обучения и data science
Модуль 2
# Регрессия
Модуль 3
# Классификация
Единственный курс
Где можно примерить профессию data scientist на себя
Вы точно расширите свой кругозор.
Наша задача - привить вам любовь к Data Science.
Объясняем сложные вещи простыми словами
Наша задача - привить вам любовь к Data Science.
Объясняем сложные вещи простыми словами
# Модель обучения:
YOUTUBE
Здесь вы смотрите новые видео от преподаватели, анонс новых видео происходит в чате, а ссылки добавляются в учебник
ЧАТ
Здесь происходит общения всех участников курса, а также общение с преподавателем
+
УЧЕБНИК
Для курса Data Science в нашем основном учебнике выделена отдельная глава, в которой содержится дополнительная информация и лабораторные работы
+
Внимание! Просмотр видео на ютубе полезен только вместе с изучением учебника, материалы в учебнике - это самое основное
= success
{
{
{
Введите данные для регистрации
Курс полностью бесплатный
Любой из курсов бесплатный
