Чему вы научитесь
- Разбор коммерческого кода действующих проектов по Data Science с сайта kaggle.com
- Способность понимать "метод наименьших квадратов" в учебнике от Школы Анализа Данных(ШАД) Яндекс education.yandex.ru/handbook/ml/article/linear-models
- Применения знаний на новейших моделях машинного обучения и нейросетей на сайте архив: arxiv.org/list/stat.ML/recent
- Способность понимать лекции от Воронцова К.В. http://machinelearning.ru/wiki/index.php?title=Участник:Vokov
- Глубокое понимание простой регрессии: http://www.machinelearning.ru/wiki/index.php?title=Одномерная_линейная_регрессия
- Адаптация полученных знаний по математике и программированию под специфику бизнеса вашего работодателя или вашего стартапа.
- Навык выведения математических формул с нуля
- Имплементация математических формул в Python
- Глубокое понимание математики которая используется в Python
- Фундаментальное понимание алгоритма простой линейной регрессии и метода наименьших квадратов
- Фундаментальные знания для подготовки к собеседованию в Data Science
О курсе
Автор курса Руслан Сенаторов t.me/RuslanSenatorov, Преподаватель и Президент IT-организации(CEO) github.com/SENATOROVAI | Бесплатный курс по математике для data science, Машинное обучение, с нуля. Материалы курса основаны на открытых лекциях по "Machine Learning с нуля до Junior ДЛЯ ЧАЙНИКОВ".
Этот курс —проводник в мир Пайплайнов, без которых невозможно понять, как работают модели машинного обучения, нейросети, кластеризация, поиск признаков и многое другое. через практику на Python (NumPy,Pandas).
Для кого этот курс
Курс рассчитан на тех, кто хочет с полного нуля получить глубокое понимание всей математики для машинного обучения которая используется в реализации классических алгоритмов машинного обучения и в дальнейшем применять эти знания в Python коде.
Начальные требования
- Никаких знаний по математике предварительно не требуется, вся математика будет дана с полного нуля.
- Рекомендуются базовые знания Python (на уровне функций).
-
Либо опыт работы с другими языками программирования и готовность изучать Python в процессе курса.
Преподаватели курса
6 612
Как проходит обучение
- Чётко структурированные видео-лекции по разделам курса
- Jupyter-блокноты с полным кодом на Python и поясняющими комментариями
- Проверочные задания после каждой темы для закрепления материала
- Подробный разбор решений — как в видео, так и в блокнотах
- Все задания построены так, чтобы поэтапно освоить метод наименьших квадратов и его применение в линейной регрессии
- Поддержка преподавателя: ответы на ваши вопросы в комментариях к урокам
Что вы получите
- * Понимание принципов метода наименьших квадратов и простой линейной регрессии
- * Умение самостоятельно реализовать линейную модель без готовых библиотек
- * Практические навыки работы с данными на Python
- * Задания с автоматической проверкой и интерактивной обратной связью
- * Доступ к обсуждению решений и помощи от сообщества
- * Электронный сертификат об успешном завершении курса
Нагрузка
4-5