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 продвинутых 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}
7 333 ₽
{При рассрочке на 6 мес.}
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
Познакомимся с базовыми понятиями и терминологией машинного обучения. Разберём основные типы задач: классификация, регрессия и кластеризация. Рассмотрим реальные примеры применения алгоритмов в различных сферах. Научимся отличать задачи друг от друга и формулировать их под ML.
РаИзучим линейную регрессию и её применение для предсказания числовых значений. Познакомимся с функциями потерь и метриками качества моделей. Разберём проблему переобучения и основы градиентного спуска для оптимизации моделей. На практике реализуем простую линейную регрессию на реальных данных.
Освоим классический градиентный спуск и его разновидности (стохастический, мини-батч). Поймём, как выбирать шаг обучения и почему это важно. Изучим методы регуляризации для борьбы с переобучением. Научимся реализовывать градиентный спуск с модификациями на практике.
Разберём логистическую регрессию как основной линейный метод для задач классификации. Познакомимся с метриками качества классификации, такими как accuracy, precision, recall и F1-score. Изучим основы многоклассовой классификации и подходы к её решению. Применим логистическую регрессию к реальным задачам.
Изучим теорию и практику работы с методами опорных векторов для задач классификации. Поймём, как SVM строит разделяющие гиперплоскости и работает с ядрами. Рассмотрим подходы к решению многоклассовых задач с помощью SVM. Реализуем SVM на практике и сравним с другими методами.
Познакомимся с методами построения нелинейных разделяющих поверхностей. Изучим, как использовать ядровые методы и полиномиальные признаки для улучшения качества моделей. Рассмотрим примеры, когда линейные методы не справляются, и требуется нелинейный подход. Попрактикуемся в построении и анализе нелинейных моделей.
Разберём принципы построения и работы решающих деревьев для задач классификации и регрессии. Поймём, как выбираются критерии разбиения и как дерево принимает решения. Изучим вопросы интерпретируемости моделей на основе деревьев. Реализуем и визуализируем дерево решений на практике.
Познакомимся с концепцией ансамблей моделей и их преимуществами. Изучим методы бэггинга и случайного леса для повышения устойчивости и точности. Разберём разложение ошибки на bias и variance и влияние ансамблей на эти параметры. Реализуем случайный лес и сравним его с одиночными деревьями.
Изучим принципы работы градиентного бустинга и его отличие от других ансамблей. Познакомимся с современными библиотеками: XGBoost, CatBoost, LightGBM. Научимся настраивать параметры и анализировать результаты бустинга. Применим градиентный бустинг к реальным задачам и сравним с другими методами.
Разберём основные методы кластеризации, такие как k-means и иерархическая кластеризация. Изучим метрики качества кластеризации и способы их оценки. Посмотрим примеры применения кластеризации в бизнесе и науке. На практике выполним кластеризацию данных и визуализируем результаты.
Познакомимся с методами понижения размерности, включая PCA и t-SNE. Изучим задачи выявления аномалий и подходы к их решению. Поймём, как понижение размерности помогает в визуализации и анализе данных. Реализуем поиск аномалий на реальных наборах данных.
Изучим основные подходы к построению рекомендательных систем: коллаборативная фильтрация, контентные методы и гибридные подходы. Познакомимся с алгоритмами и метриками оценки качества рекомендаций. Разберём примеры использования рекомендательных систем в индустрии. На практике реализуем простую рекомендательную систему.
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
По промокоду EARLYBIRD — скидка 10.000 рублей, только до 27 июля. Для первых 10 студентов мы подготовили эксклюзивный лонгрид по теме курса, который позволит начать учиться уже сейчас.
Регистрируйся сейчас — первые 10 студентов получат учебные материалы по математике для анализа данных и смогут начать обучение сразу! По промокоду EARLYBIRD — скидка 10 000 рублей.
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