Курс на Stepik
Обложка курса «ML School by REU Data Science Club» на Stepik
Бесплатно

ML School by REU Data Science Club 5.000

Открыть на
STEPIK.ORG

Изучите основы машинного обучения за 3 месяца в школе ML от REU Data Science Club. Наш курс смешанного формата будет включать в себя еженедельные лекции, онлайн-семинары и практические домашние задания. На нем мы разберем темы, начиная от программирования на Python и заканчивая градиентным бустингом. Участники научатся работать с данными, строить ML модели и оптимизировать их. В конце курса будет финальный проект, который будет состоять из реальных задач!

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML School by REU Data Science Club»Учеников на курсе 5 416
Сертификаты, выданные на курсе «ML School by REU Data Science Club»Сертификатов выдано 0
Отзывы о курсе «ML School by REU Data Science Club»Отзывов получено 5
Рейтинг курса «ML School by REU Data Science Club»Рейтинг курса 5.000
Уроки в курсе «ML School by REU Data Science Club»Количество уроков 24
Задачи с кодом в курсе «ML School by REU Data Science Club»Количество задач с кодом 18
Время прохождения курса «ML School by REU Data Science Club»Время прохождения курса
Обновления курса «ML School by REU Data Science Club»Обновления курса
Дата публикации курса «ML School by REU Data Science Club»Дата публикации курса
Последнее обновление курса «ML School by REU Data Science Club»Последнее обновление
Сложность easy

Содержание курса

Разделы в курсе «ML School by REU Data Science Club» 9 разделов Уроки в курсе «ML School by REU Data Science Club» 24 урока Задачи в курсе «ML School by REU Data Science Club» 18 задач Время прохождения курса «ML School by REU Data Science Club» 5 ч. Последнее обновление курса «ML School by REU Data Science Club» обн. 1 год назад

Введение в ML

3 урока
1. Лекция: Введение в Python
2. Cеминар: Введение в Машинное Обучение
3. Домашнее задание: задачи на Python

Обработка данных в Python

3 урока
1. Лекция: Exploratory Data Analysis
2. Семинар: Введение в pandas, numpy, matplotlib и seaborn
3. Домашнее задание: Работаем с данными в Python

Линейные модели 1 часть

3 урока
1. Лекция: Линейные модели и KNN
2. Семинар: Data Preprocessing
3. Домашнее задание: Обрабатываем реальные данные

Линейные модели 2 часть

3 урока
1. Лекция: Логистическая регрессия и SVM
2. Семинар: Линейные модели в Sklearn и Statmodels
3. Домашнее задание: Реализуем свою логистическую регрсессию

Метрики качества

2 урока
1. Лекция: Метрики качества, bias inference problem
2. Домашнее задание: Создаем метрики в Python

Деревья решений

3 урока
1. Лекция: Деревья и лес решений
2. Семинар: Настраиваемые параметры в Sklerarn и Gridsearch
3. Домашнее задание: Создание дерева решений на numpy

Ансамблевые модели

3 урока
1. Лекция: Gradient Boosting
2. Семинар: Обзор самых популярных библиотек для Gradient Boosting
3. Домашнее задание: Пишем свой Adaboost

Кластеризация

3 урока
1. Лекция: От KMeans до DBSCAN
2. Семинар: Обзор самых популярных кластеризаций в Sklearn
3. Домашнее задание: Предсказание цен на машины

Итоговый проект

1 урок
1. Общая информация