Длительность
5.5 месяцев

Формат
онлайн

Математика и Machine Learning для Data Science

Подробнее о программе

Старт
{{start_date}}

Уровень
с нуля

Чтобы быть крутым специалистом в Machine Learning не достаточно просто разобраться в принципах работы классических моделей, нужно быть универсальным специалистом и понимать, как именно это работает, и тут понадобится математика.

Отправить заявку

Сделайте своё резюме привлекательным
для крупных Data Science-based компаний

Каждый, кто начинает свой путь в Data Science, стремится когда-нибудь дорасти до уровня Senior. Но требования к специалистам такого уровня, особенно в крупных компаниях, очень высоки. Большинство соискателей не могут пройти собеседование.

Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, мало владеть основными методами машинного обучения и нейронных сетей: важно понимать законы математики и статистики у них "под капотом".

Мы объединили 2 важных курса: вы сможете изучить сначала математику, а затем научитесь строить модели машинного обучения, или проходить два курса параллельно и освоить новую профессию всего за 3 месяца.

Скидка {{sale}}% на курс

Забронируйте курс по спеццене — со скидкой {{sale}}%!

Записаться

Преимущества курса

Мы рассказываем о математике понятно, хоть наша цель — не сделать из вас специалиста по фундаментальный математике, но понимать законы математики для построения моделей.

Курс состоит по большей части из практики, которая не ограничивается решением классических уравнений и абстрактных заданий. Вы поймете, как знание математики и статистики работает в решении реальных жизненных задач в области анализа данных, прогнозирования и оптимизации.

Мы рассматриваем применение математических и статистических закономерностей в машинном обучении и нейронных сетях, чтобы вы в дальнейшем могли работать не только с типовыми моделями и архитектурами.

У нас есть не только сообщество единомышленников, с которыми вы можете обсудить затруднения и поделиться наболевшим, но и поддержка ментора, который поможет выйти из тупика. Вы не останетесь с курсом один на один.

Курсы из специализации Data Science

Python

Math&Stat

Machine
Learning

Deep
Learning

Data
Engineering

Менеджмент

Подробнее о полном курсе

Преподаватели

Эмиль Магеррамов

COO Data Lab,
компания EORA

Аяна Шелике

Преподаватель статистики и линейной алгебры МИЭФ ВШЭ
Выпускница мехмата МГУ

Антон Киселев

Head of R&D, компания EORA

Сергей Веренцов

CTO, компания EORA

Программа курса по математике

Часть 1

Линейная алгебра

Изучаем вектора и виды матриц
Учимся проводить операции над матрицами
Определяем линейную зависимость с помощью матриц
Изучаем обратные, вырожденные и невырожденные матрицы
Изучаем системы линейных уравнений, собственные и комплексные числа
Осваиваем матричное и сингулярное разложение
Решаем задачи линейной зависимости с помощью матриц
Оптимизируем с помощью метода главных компонент
Закрепляем математические основы линейной регрессии

Часть 2

Основы матанализа

Изучаем функции одной и многих переменных и производные
Осваиваем понятие градиента и градиентного спуска
Тренируемся в задачах оптимизации
Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
Закрепляем математические основы градиентного спуска и имитации отжига

Часть 3

Основы теории вероятности и статистики

Изучаем общие понятия описательной и математической статистики
Осваиваем комбинаторику
Изучаем основные типы распределений и корреляции
Разбираемся в теореме Байеса
Изучаем наивный байесовский классификатор
Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
Закрепляем математические основы классификации и логистической регрессии

Часть 4

Временные ряды и прочие математические методы

Знакомимся с анализом временных рядов
Осваиваем более сложные типы регрессий
Прогнозируем бюджет с помощью временных рядов
Закрепляем математические основы классических моделей машинного обучения

Краткая программа курса по Machine Learning

Помощь наставника на протяжении обучения

Модуль 1

Введение в машинное обучение

Знакомимся с основными задачами и методами machine learning , изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
Решаем 50+ задач на закрепление темы

Модуль 2

Методы предобработки данных

Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
Решаем 60+ задач на закрепление темы

Модуль 3

Регрессия

Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
Решаем 40+ задач на закрепление темы

Модуль 4

Кластеризация

Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
Решаем 50+ задач на закрепление темы

Модуль 5

Tree-based алгоритмы: введение в деревья

Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
Решаем 40+ задач на закрепление темы

Модуль 6

Tree-based алгоритмы: ансамбли

Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
Решаем 40+ задач на закрепление темы
Участвуем в соревновании на kaggle по обучению tree-based модели

Модуль 7

Оценка качества алгоритмов

Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
Оцениваем качество нескольких моделей ML
Решаем 40+ задач на закрепление темы

Модуль 8

Временные ряды в машинном обучении

Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
Решаем 50+ задач на закрепление темы

Модуль 9

Рекомендательные системы

Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
Решаем 50+ задач на закрепление темы

Модуль 10

Финальный хакатон

Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle

Получите полную программу курса

Как проходит обучение

Изучаете подготовительный материал

Вы сможете проходить обучение из любой точки планеты. Новые модули будут открываться раз в неделю. Специально разработанный контент и дополнительные материалы помогут разобраться в теме.

Выполняете практические задания

Практика состоит из трех частей: выполнения простых упражнений на вычисления; выполнения упражений на базе Python; решения жизненных задач из области анализа данных, прогнозирования и оптимизации

Общаетесь с однокурсниками и получаете фидбэк ментора

Вы будете постоянно общаться со своими сокурсниками в закрытых каналах в Slack. Если вы что-то не поймете или не справитесь с задачей - мы поможем разобраться.

Сдаете выпускной экзамен

В конце курса вас ждет специальное задание, в котором вы сможете применить все полученные навыки и подтвердить успешное изучение материала.

На курсе обучение не заканчивается

Сертификат о прохождении курса
Консультация по дальнейшему развитию
Много готовых решений для использования на практике
Чат выпускников и полезные знакомства

Запишитесь на курс

Курс стартует: {{start_date}}

Осталось 6 мест

Стоимость обучения

Можно в рассрочку на 12 месяцев. Банки партнеры:

р

{{price_before}} р

-{{sale}}%

до {{deadline}}

У меня есть промокод

Есть ли курсы лучше?

Есть. Наш флагманский курс – Профессия Data Scientist. Да, он дольше и дороже, чем этот. Но зато Математика и Machine Learning там подается в связке со всеми другими темами по Data Science. С ним вы станете уверенным специалистом на рынке и, более того, сразу Middle-уровня. Рекомендуем.