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 5 474
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 ↗