Математика и Machine Learning для Data Science
Математика и Machine Learning для Data Science
SkillFactory
Сложность
Для продвинутых
Длительность
5,5 мес
Программа курса
Линейная алгебра
- Изучаем вектора и виды матриц
- Учимся проводить операции над матрицами
- Определяем линейную зависимость с помощью матриц
- Изучаем обратные, вырожденные и невырожденные матрицы
- Изучаем системы линейных уравнений, собственные и комплексные числа
- Осваиваем матричное и сингулярное разложение
- Решаем задачи линейной зависимости с помощью матриц
- Оптимизируем с помощью метода главных компонент
- Закрепляем математические основы линейной регрессии
Основы матанализа
- Изучаем функции одной и многих переменных и производные
- Осваиваем понятие градиента и градиентного спуска
- Тренируемся в задачах оптимизации
- Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
- Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
- Закрепляем математические основы градиентного спуска и имитации отжига
Основы теории вероятности и статистики
- Изучаем общие понятия описательной и математической статистики
- Осваиваем комбинаторику
- Изучаем основные типы распределений и корреляции
- Разбираемся в теореме Байеса
- Изучаем наивный байесовский классификатор
- Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
- Закрепляем математические основы классификации и логистической регрессии
Временные ряды и прочие математические методы
- Знакомимся с анализом временных рядов
- Осваиваем более сложные типы регрессий
- Прогнозируем бюджет с помощью временных рядов
- Закрепляем математические основы классических моделей машинного обучения
Введение в машинное обучение
- Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
- Решаем 50+ задач на закрепление темы
Методы предобработки данных
- Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
- Решаем 60+ задач на закрепление темы
Регрессия
- Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
- Решаем 40+ задач на закрепление темы
Кластеризация
- Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
- Решаем 50+ задач на закрепление темы
Tree-based алгоритмы: введение в деревья
- Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
- Решаем 40+ задач на закрепление темы
Tree-based алгоритмы: ансамбли
- Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
- Решаем 40+ задач на закрепление темы
- Участвуем в соревновании на kaggle по обучению tree-based модели
Оценка качества алгоритмов
- Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
- Решаем 40+ задач на закрепление темы
- Оцениваем качество нескольких моделей ML
Временные ряды в машинном обучении
- Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
- Решаем 50+ задач на закрепление темы
Рекомендательные системы
- Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
- Решаем 50+ задач на закрепление темы
Финальный хакатон
- Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle
Преподаватели
Антон Киселев
Ведущий автор раздела «Введение в DS»Head of Marketing Analytics, Playrix. Эксперт по данным с опытом 15+ лет. Компетенции: Data Science
Эмиль Богомолов
Инженер-исследователь в группе ADASE Сколтех
Аяна Шелике
Преподаватель статистики и линейной алгебры МИЭФ ВШЭ. Выпускница мехмата МГУ
Сергей Веренцов
CTO, компания EORA
Показать еще
Похожие курсы
ООО "КорпСкилз", ИНН 7714487720
125047, Российская Федерация, г. Москва, ул. Бутырский Вал, д. 10, этаж 6
Свидетельство о государственной регистрации программы для ЭВМ "Платформа Корпскилз" №2022668910 от 13.10.2022
Платформа Корпскилз включена в Реестр российского ПО (реестровая запись №17725 от 19.05.2023)
© ООО «КорпСкилз», 2025
© ООО «КорпСкилз», 2025
Для граждан РФ. Без переплат по процентам и первого взноса, одобрение в день обращения