Курсы по Scikit-learn

Освоите всё с нуля за 13 месяцев — от простого к сложному. Будете решать настоящие задачи бизнеса и практиковаться на реальных данных от лидеров индустрии.

Освойте самую востребованную профессию в анализе данных. Работайте удаленно из любой точки мираЗарабатывайте от 180 000 ₽ Специализируйтесь в узкой нише Data ScienceПолучите доступ ко всем льготам для айтишников

Вы научитесь собирать, анализировать и структурировать данные, чтобы строить интерактивные дашборды и помогать бизнесу принимать более эффективные решения.

Онлайн-курс «Python для анализа данных» от сервиса Яндекс Практикум. За 3 месяца обучения вы получите необходимый набор знаний Python для аналитики данных и закрепите весь полученный материал на практике.

Вы изучите основы программирования и основные концепции компьютерных наук, цифровые технологии, операционные системы, программное обеспечение, базы данных, системы аналитики, языки программирования и многое другое. Познакомитесь с тестированием и системным анализом. На программе сможете сделать осознанный выбор специализации и технологий, прокачаться в выбранном направлении.

Онлайн курс «Machine Learning Engineer» от GeekBrains: получи новую профессию дистанционно! ✅ Курс ориентирован на уровень: Junior. ⌚ Длительность обучения: 12 месяцев. ✅ Помощь в трудоустройстве! Обучение на Machine Learning Engineer с нуля онлайн.

Учим начинающих дата-сайентистов ориентироваться в ML для решения рабочих задач

Практический курс по обработке текстов методами машинного обучения. Участники узнают и разберутся с тем, для каких задач применяется машинное обучение, как правильно ставить задачи, собирать и готовить данные, как работать с признаками, как оценивать качество результата. В курсе рассмотрены различные методы предобработки текстов, векторные представления слов и их использование для классификации и других задач. Участники изучат методы разметки текстов, извлечения именованных сущностей и снижения размерности. Отдельное внимание будет уделено предобученным языковым моделям, таким как BERT и GPT, и их применению для работы с текстовыми данными.

• Задачи машинного обучения.
• Базовые библиотеки для машинного обучения:
  • Pandas.
  • Scikit-learn.
  • Matplotlib.
• Признаки и работа с ними.
• Валидация данных и оценка качества алгоритмов.
• Функции потерь, метрики качества.
• Разделение набора данных.
• Кросс-валидация.
• Практика: Предобработка и визуализация данных, классические модели ML. [Теория — 2 часа, практика + демо — 2 часа, д/з — 1,5 часа]

• Задачи обработки текстов.
• Методы предобработки и выделения признаков в анализе текстов.
• Предобработка текстов:
  • “Мешок слов”.
  • TF-IDF.
  • Регулярные выражения.
  • Сегментация.
  • Лемматизация.
  • Стоп-слова.
  • Части речи.
• Простые векторные представления слов:
  • One-hot векторы.
  • SVD.
  • Hashing Trick.
• Библиотеки:
  • NLTK.
  • gensim.
  • SpaCy.
  • Yargy.
• Практика: Предобработка текстов. [Теория — 1 час, практика + демо — 3 часа, д/з — 1 час]

• Обучаемые векторные представления слов:
  • word2vec (CBOW, SkipGram).
  • GloVe.
  • fastText.
• Методы обучения и донастройки неглубоких эмбеддингов.
• Использование неглубоких эмбеддингов для классификации.
• Практика: Использование word2vec и fastText. [Теория — 1 час, практика + демо — 3 часа]

• Архитектура и применение сверточных нейронных сетей для задач классификации.
• Разметка последовательностей:
  • Скрытые марковские модели.
  • Рекуррентные сети.
• Сети:
  • RNN.
  • LSTM.
  • GRU.
• Извлечение именованных сущностей.
• Практика: Использование CNN и LSTM. [Теория — 1 час, практика + демо — 3 часа, д/з — 3 часа]

• Извлечение ключевых слов.
• Суммаризация текстов.
• Тематическое моделирование:
  • PLSA.
  • LDA.
  • ARTM.
• Практика: Использование BigARTM. [Теория — 1 час, практика + демо — 3 часа, д/з — 2 часа]

• Архитектура трансформеров, механизмы внимания.
• Энкодерные архитектуры:
  • ELMo.
  • BERT.
  • RuBERT.
• Декодерные архитектуры:
  • GPT2.
  • GPT3.
  • RuGPT.
• XLNet.
• Мультиязычные модели.
• Практика: Использование BERT, RuGPT. [Теория — 1 час, демо — 3 часа, д/з — 1,5 часа]

Практический курс по машинному обучению для аналитиков и разработчиков. Освоите полный цикл создания ML-моделей от подготовки данных до презентации результатов. Уникальность: курс построен на реальных кейсах, что позволяет сразу применять знания на практике. Ценность: научитесь решать реальные бизнес-задачи с помощью машинного обучения, повышая эффективность и точность решений.

• Какие задачи хорошо решаются машинным обучением, а какие им пытаются решать. Что произойдёт, если вместо Data Scientist взять неспециалиста в данной области (просто разработчика/аналитика/менеджера) с ожиданием, что в процессе научится.
• Как разобраться в исходных бизнес-данных (и вообще обнаружить в них какой бы то ни был порядок). Последовательность обработки. Что можно и нужно переложить на аналитиков предметной области, а что лучше сделать самому Data Scientist. Приоритеты решения конкретной задачи.
• Практический раздел - хорошо формализованные задачи с подготовленными данными. Разница между задачами (бинарная/небинарная/вероятностная классификация, регрессии), перераспределение задач между классами. Примеры классификации практических задач.
• Где и как проводить кластеризацию: исследование данных, проверка постановки задачи, проверки результатов. Какие случаи можно свести к кластеризации.
• Бизнес-метрики и технические метрики. Метрики для задач классификации и регрессии, матрица ошибок. Внутренние и внешние метрики качества кластеризации. Кросс-валидация. Оценка переобучения.
• Что делает одну модель лучше другой: параметры, признаки, ансамбли. Управление параметрами. Практика выбора признаков. Обзор инструментария для поиска лучших параметров, признаков и методов.
• Как доступно объяснить происходящее: себе, команде, клиенту. Более красивые ответы на бессмысленные вопросы. Как презентовать три терабайта результатов на одном слайде. Полуавтоматические тесты, какие точки контроля процесса действительно нужны. От живых задач к полному R&D процессу («НИОКР на практике») – разбор и анализ задач от аудитории.