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.

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

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

РЕЗУЛЬТАТ:

3

практических кейса

3+

файла .ipynb

Для портфолио на GitHub. Каждый .ipynb файл с разными уникальными datasets.

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

#

#

#

</> 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.

</> 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.

</> 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.

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

# 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

{

{

{