Заказать звонок
Оставьте свой контактный телефон и мы перезвоним вам в течение дня.
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Онлайн-курc по математике для Data Science
- Овладейте ключевыми инструментами машинного обучения с нуля до уверенного применения.
- Изучите все этапы: от базовых понятий и линейных моделей до ансамблей, бустинга и рекомендательных систем.
- Начните применять ML в реальных проектах сразу после завершения курса!
ML для старта в Data Science
{Старт 9 сентября}
{Теория, примеры, задачи}
{Пошаговое освоение: теория, примеры, задачи}
{Актуальные алгоритмы и практические кейсы}
44 000 ₽
7 333 ₽
{При рассрочке на 6 мес.}
Зарегистрироваться на вебинар
«Введение в машинное обучение: как спрогнозировать стоимость недвижимости»
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Тебе точно подойдёт этот курс, если ты:
Тому, кто только начинает путь в Data Science или хочет освоить востребованную профессию с нуля
Новичку без опыта в IT
{1}
технических и естественнонаучных специальностей, которые хотят расширить свой бэкграунд
Студентам и выпускникам
{2}
для более успешной работы с данными и построения моделей
Аналитикам данных и бизнес-аналитикам
{3}
которые хотят выйти за рамки разработки и применить свои навыки в ИИ и анализе данных
Опытным разработчикам
{4}
Тем, кто хочет сменить профессию, освоить новую сферу и войти в IT.
Желающим сменить профессию
{6}
Тем, кто хочет понять ИИ и быть в курсе технологий
Тем, кто хочет понять современные технологии ИИ
{8}
Маркетологам, финансистам, продакт- и проджект-менеджерам
Специалистам из смежных областей
{7}
Тем, кто хочет систематизировать знания и расти в карьере
Начинающим и действующим Data Scientists, ML-инженерам
{5}
Программа курса
Теория:
Понимать фундаментальные концепции машинного обучения, уметь классифицировать задачи по типам.
Сможете решать задачи: определение типа ML-задачи для бизнес-кейсов, выбор подходящих алгоритмов для различных предметных областей, формулировка технического задания для ML-проектов.
- Познакомимся с базовыми понятиями и терминологией ML
- Изучим основные типы задач
- Разберём различия между обучением с учителем, без учителя и обучением с подкреплением
- Научимся отличать типы задач друг от друга и формулировать бизнес-задачи под ML
- Проанализируем примеры датасетов и определим подходящие типы алгоритмов
- Изучим базовые метрики для оценки качества различных типов задач
Понимать фундаментальные концепции машинного обучения, уметь классифицировать задачи по типам.
Сможете решать задачи: определение типа ML-задачи для бизнес-кейсов, выбор подходящих алгоритмов для различных предметных областей, формулировка технического задания для ML-проектов.
Теория:
Понимать принципы работы линейной регрессии, уметь применять градиентный спуск для оптимизации.
Сможете решать задачи: предсказание цен на недвижимость, прогнозирование продаж, оценка стоимости автомобилей, анализ зависимости зарплаты от опыта работы.
- Изучим линейную регрессию как основу предсказательного моделирования и её математическую формулировку
- Разберём функции потерь и метрики качества регрессии: MSE, MAE, R², RMSE
- Рассмотрим основы градиентного спуска как метода оптимизации и концепцию переобучения
- Реализуем линейную регрессию
- Научимся интерпретировать коэффициенты модели
Понимать принципы работы линейной регрессии, уметь применять градиентный спуск для оптимизации.
Сможете решать задачи: предсказание цен на недвижимость, прогнозирование продаж, оценка стоимости автомобилей, анализ зависимости зарплаты от опыта работы.
Теория:
Понимать различия между методами оптимизации, уметь выбирать подходящие гиперпараметры.
Сможете решать задачи: отбор важных признаков в высокоразмерных данных, ускорение сходимости алгоритмов машинного обучения.
- Изучим различные варианты градиентного спуска
- Познакомимся с методами регуляризации L1 и L2 для предотвращения переобучения
- Разберём продвинутые оптимизаторы: Adam, RMSprop и стратегии настройки гиперпараметров
- Сравним производительность различных вариантов градиентного спуска на практических задачах
- Реализуем регуляризацию L1 и L2, изучим их влияние на отбор признаков
- Поэкспериментируем с различными значениями гиперпараметров
Понимать различия между методами оптимизации, уметь выбирать подходящие гиперпараметры.
Сможете решать задачи: отбор важных признаков в высокоразмерных данных, ускорение сходимости алгоритмов машинного обучения.
Теория:
Понимать принципы классификации, уметь оценивать качество моделей
Сможете решать задачи: детекция спама в электронной почте, медицинская диагностика по симптомам, определение кредитоспособности клиентов
- Изучим логистическую регрессию и сигмоидную функцию активации
- Разберём метрики качества классификации: accuracy, precision, recall, F1-score, ROC-AUC
- Рассмотрим проблему несбалансированных классов и основы многоклассовой классификации
- Реализуем логистическую регрессию и интерпретируем её вероятностные предсказания
- Построим и проанализируем матрицу ошибок, научимся выбирать оптимальный порог классификации
- Поработаем с несбалансированными данными: техники семплирования, взвешивание классов
Понимать принципы классификации, уметь оценивать качество моделей
Сможете решать задачи: детекция спама в электронной почте, медицинская диагностика по симптомам, определение кредитоспособности клиентов
Теория:
Понимать геометрическую интерпретацию SVM, уметь применять различные ядра для нелинейных задач.
Сможете решать задачи: классификация текстов и документов, распознавание рукописных символов, задачи биоинформатики
- Изучим концепцию максимизации отступа и роль опорных векторов в построении модели
- Познакомимся с особенностями решения нелинейно разделимых задач
- Разберём различные типы ядер и параметр регуляризации
- Реализуем линейный SVM
- Поэкспериментируем с различными ядрами для решения нелинейных задач
- Настроим гиперпараметры SVM с использованием кросс-валидации
Понимать геометрическую интерпретацию SVM, уметь применять различные ядра для нелинейных задач.
Сможете решать задачи: классификация текстов и документов, распознавание рукописных символов, задачи биоинформатики
Теория:
Понимать принципы создания нелинейных моделей, уметь контролировать сложность модели.
Сможете решать задачи: классификация сложных паттернов в данных, анализ нелинейных зависимостей в финансовых временных рядах
- Изучим общие подходы к построению нелинейных разделяющих поверхностей
- Разберём полиномиальные признаки и различные способы создания нелинейности
- Рассмотрим проблему размерности и методы регуляризации в нелинейных методах
- Создадим полиномиальные признаки для линейных алгоритмов
- Сравним производительность линейных и нелинейных подходов на синтетических данных
- Применим различные методы регуляризации для контроля сложности нелинейных моделей
Понимать принципы создания нелинейных моделей, уметь контролировать сложность модели.
Сможете решать задачи: классификация сложных паттернов в данных, анализ нелинейных зависимостей в финансовых временных рядах
Теория:
Понимать алгоритмы построения деревьев, уметь интерпретировать модели и извлекать бизнес-правила.
Сможете решать задачи: создание экспертных систем принятия решений, автоматизация бизнес-процессов, медицинская диагностика с объяснимыми правилами, кредитный скоринг с прозрачными критериями.
- Изучим принципы построения решающих деревьев и критерии разбиения: энтропия, индекс Джини
- Разберём алгоритмы ID3, C4.5, CART и критерии остановки роста дерева
- Рассмотрим методы обрезки деревьев и интерпретируемость как ключевое преимущество
- Реализуем построение решающего дерева с различными критериями разбиения
- Визуализируем структуру деревьев и интерпретируем правила принятия решений
- Поэкспериментируем с гиперпараметрами для контроля переобучения
Понимать алгоритмы построения деревьев, уметь интерпретировать модели и извлекать бизнес-правила.
Сможете решать задачи: создание экспертных систем принятия решений, автоматизация бизнес-процессов, медицинская диагностика с объяснимыми правилами, кредитный скоринг с прозрачными критериями.
Теория:
Понимать принципы ансамблевого обучения, уметь применять бэггинг и случайный лес.
Сможете решать задачи: прогнозирование в условиях высокой неопределённости, анализ важности факторов в сложных системах, обработка больших объёмов разнородных данных, повышение надёжности ML-систем.
- Изучим концепцию ансамблевого обучения и метод бэггинга для снижения дисперсии
- Разберём алгоритм случайного леса и случайный отбор признаков[
- Познакомимся с разложением ошибки на bias и variance и методами оценки важности признаков
- Реализуем бэггинг на основе решающих деревьев
- Построим модель случайного леса и настроим её гиперпараметры
- Проанализируем важность признаков и используем её для отбора фичей
Понимать принципы ансамблевого обучения, уметь применять бэггинг и случайный лес.
Сможете решать задачи: прогнозирование в условиях высокой неопределённости, анализ важности факторов в сложных системах, обработка больших объёмов разнородных данных, повышение надёжности ML-систем.
Теория:
Понимать принципы градиентного бустинга, уметь выбирать подходящую реализацию.
Сможете решать задачи: сможете полноценно участвовать в соревнованиях по машинному обучению (Kaggle), реализовывать прогнозирование в бизнесе с высокой точностью, обрабатывать данные с категориальными признаками
- Изучим принципы градиентного бустинга и последовательное обучение слабых моделей
- Разберём современные реализации: XGBoost, CatBoost, LightGBM и их особенности
- Рассмотрим методы регуляризации и предотвращения переобучения в бустинге
- Реализуем простой градиентный бустинг
- Поэкспериментируем с XGBoost, CatBoost и LightGBM на различных датасетах
- Настроим гиперпараметры и применим продвинутые техники интерпретации
Понимать принципы градиентного бустинга, уметь выбирать подходящую реализацию.
Сможете решать задачи: сможете полноценно участвовать в соревнованиях по машинному обучению (Kaggle), реализовывать прогнозирование в бизнесе с высокой точностью, обрабатывать данные с категориальными признаками
Теория:
Понимать принципы кластеризации, уметь выбирать подходящий алгоритм для конкретного типа данных.
Сможете решать задачи: сегментация клиентов для маркетинга, группировка товаров в интернет-магазине, анализ социальных сетей, поиск аномалий в данных, исследовательский анализ данных без меток.
- Изучим основные методы кластеризации: K-means, иерархическая кластеризация, DBSCAN
- Разберём метрики качества кластеризации и методы определения оптимального количества кластеров
- Рассмотрим различные меры расстояния и их влияние на результаты кластеризации
- Реализуем алгоритм K-means и проанализируем его сходимость
- Применим иерархическую кластеризацию и построим дендрограммы
- Поэкспериментируем с DBSCAN для выявления кластеров произвольной формы
Понимать принципы кластеризации, уметь выбирать подходящий алгоритм для конкретного типа данных.
Сможете решать задачи: сегментация клиентов для маркетинга, группировка товаров в интернет-магазине, анализ социальных сетей, поиск аномалий в данных, исследовательский анализ данных без меток.
Теория:
Понимать методы понижения размерности, уметь применять PCA для предобработки данных.
Сможете решать задачи: сжатие изображений и видео, визуализация высокоразмерных данных, обнаружение мошеннических транзакций, поиск дефектов в производстве, мониторинг IT-систем на предмет аномалий.
- Изучим проблему проклятия размерности и метод главных компонент (PCA)
- Познакомимся с альтернативными методами: LDA, t-SNE, UMAP для визуализации данных
- Разберём методы детектирования аномалий: статистические, основанные на плотности
- Применим PCA для понижения размерности и визуализации данных
- Сравним различные методы понижения размерности на высокомерных данных
- Реализуем алгоритмы детектирования аномалий и оценим их производительность
Понимать методы понижения размерности, уметь применять PCA для предобработки данных.
Сможете решать задачи: сжатие изображений и видео, визуализация высокоразмерных данных, обнаружение мошеннических транзакций, поиск дефектов в производстве, мониторинг IT-систем на предмет аномалий.
Теория:
Понимать архитектуру рекомендательных систем, уметь выбирать подходящий метод для предметной области.
Сможете решать задачи: создание рекомендаций товаров в e-commerce, персонализация контента в стриминговых сервисах, рекомендации друзей в социальных сетях, подбор вакансий для соискателей, персонализированная реклама.
- Изучим основные подходы: коллаборативная фильтрация user-based и item-based
- Разберём контентные методы и гибридные подходы, сочетающие различные техники
- Рассмотрим проблемы холодного старта, разреженности данных и современные методы их решения
- Реализуем коллаборативную фильтрацию на основе пользователей и товаров
- Построим контентную рекомендательную систему с использованием признаков товаров
- Применим методы матричного разложения для рекомендаций
Понимать архитектуру рекомендательных систем, уметь выбирать подходящий метод для предметной области.
Сможете решать задачи: создание рекомендаций товаров в e-commerce, персонализация контента в стриминговых сервисах, рекомендации друзей в социальных сетях, подбор вакансий для соискателей, персонализированная реклама.
принять решение
ответить на вопросы
понять, подходит ли курс
Оставь заявку – с тобой свяжется Proglib [не бот], чтобы помочь:
Что я буду уметь после курса?
Освоишь EDA, подготовку данных, построение и оптимизацию моделей, научишься применять библиотеки вроде pandas и scikit-learn, оценивать качество моделей, предотвращать переобучение и делать рекомендательные системы.
Реализуешь проекты от идеи до внедрения, научишься использовать ML-инструменты в работе и интегрировать модели в реальные процессы.
Получишь опыт прохождения собеседования на DS роли в коммерческих компаниях
Разберёшься в ключевых концепциях, задачах и методах, научишься формулировать задачи и выбирать подходящие алгоритмы.
Поймёшь основы машинного обучени
Будешь работать с данными и моделями
Получишь практический опыт и соберёшь портфолио
Получишь опыт собеседований
Как проходит курс
Если что-то непонятно, всегда можно задать вопрос в чате — менторы регулярно помогают и поддерживают
Длительность 2 месяца + 4 месяца доступа к материалам
Текстовые материалы по теме курса
После каждого урока проходишь тесты и решаешь задачи с автопроверкой
12 живых вебинаров
Если что-то непонятно, всегда можно задать вопрос в чате — менторы регулярно помогают и поддерживают
Текстовые материалы по теме курса
После каждого урока проходишь тесты и решаешь задачи с автопроверкой
Длительность 2 месяца + 4 месяца доступа к материалам
12 живых вебинаров
Кто ведёт курс
- ML-engineer в WildBerries, разрабатывает алгоритмы рекомендаций;
- Выпускница МФТИ c отличием, кафедра Интеллектуальных систем;
- Практикующий data scientist, более 5 лет преподает в этой области;
- Лектор в магистратурах МФТИ, ТГУ, МИФИ;
- ex-Data Scientist в Альфа Банк и Сбер.
Автор telegram - канала @EasyData
Блог о науке о данных — просто о сложном, с практикой и пользой.
- Соавтор научных статей по ИИ в российских и международных журналах: Известия РАН, Journal of computer science international;
- Участник международных научных конференций.
Мария Жарова
Стартуй карьеру в Data Science — всё необходимое для уверенного старта и дальнейшего роста! ython в подарок
Стартуй карьеру в Data Science — всё необходимое для уверенного старта и дальнейшего роста!
Старт: 9 сентября
Стоимость
Получить консультацию
{при рассрочке на 6 мес.}
7 333 ₽
44 000 ₽
Готовы обсудить все детали и ответить на вопросы
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Беспроцентная рассрочка
«Машинное обучение»
Proglib.Academy
Proglib.Academy
Без процентов и переплат. Мы все взяли на себя! Первый платеж только через месяц
Выбирай нужное количество мест на потоке и оформляй счёт от компании. Мы гарантируем бронирование выбранных мест до момента оплаты.
Плати как удобно
Выстави счёт и оплати как юридическое лицо
Выстави счёт и оплати как юридическое лицо
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Компании, которые отправляют учиться своих сотрудников к нам
Оплата прошла как мне получить доступ к материалам?
Тебе придёт письмо с информацией о курсе и с материалами для подготовки на email.
Cколько времени мне будут доступны материалы?
Длительность курса 2 месяца + 4 месяца доступа к материалам.
Я смогу общаться с преподавателями?
Да, чтобы была возможность задавать вопросы по материалу — организован чат с регулярной менторской поддержкой.
Сколько часов в неделю мне нужно будет уделять учёбе?
В неделю надо уделять около 10-15 часов, включая выполнение заданий.
Будет ли сертификат после курса?
Да.
Действуют ли какие-нибудь программы рассрочки?
Да, доступна рассрочка от Т-Банка на 3, 6 или 12 месяцев. Также можно оплатить курс частями через сервис «Долями».
Тебе придёт письмо с информацией о курсе и с материалами для подготовки на email.
Cколько времени мне будут доступны материалы?
Длительность курса 2 месяца + 4 месяца доступа к материалам.
Я смогу общаться с преподавателями?
Да, чтобы была возможность задавать вопросы по материалу — организован чат с регулярной менторской поддержкой.
Сколько часов в неделю мне нужно будет уделять учёбе?
В неделю надо уделять около 10-15 часов, включая выполнение заданий.
Будет ли сертификат после курса?
Да.
Действуют ли какие-нибудь программы рассрочки?
Да, доступна рассрочка от Т-Банка на 3, 6 или 12 месяцев. Также можно оплатить курс частями через сервис «Долями».
Я ничего не понял, у меня есть вопрос, куда писать как быть, что делать????
{???}
Консультация
Вопросы – ответы