Курсы по SciPy

Онлайн-курс «Аналитик данных» от сервиса Яндекс Практикум. 6 месяцев обучения аналитике данных с нуля с выдачей диплома о профессиональной переподготовке. Программа обучения анализу данных для начинающих.

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

За 12 месяцев обучения по 15 часов в неделю вы освоите профессию аналитика данных.

За 17 месяцев обучения по 15 часов в неделю вы освоите навыки.

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

Для кого? Сфера IT: для системных аналитиков, разработчиков, тестировщиков, инженеров Прочие сферы: для всех специалистов, которые могут и хотят освоить ML Вы освоите: Python с 0 до качественного уровняML-библиотеки: pandas, numpy, matplotlib, seaborn, scipy, sklearnСистему управления версиями GitSQL (от простых функций до оконных)A/B тестированиеDeep Learning (PyTorch, реккурентные сети и другое)NLP (парсинг и анализ текстовых данныx) Анализ временных рядов Рекомендательные системы Необходимые знания Специальных знаний не требуется.Однако базовые знания линейной алгебры, математического анализа, теории вероятностей и математической статистики помогут вам быстрее усваивать программу.

С нуля до уверенных Junior компетенций в Машинном обучении. Практика на реальных данных

Основы машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Курс дает представление об основных группах методов машинного обучения и их применении для решения задач анализа текстов, прогнозирования цены и выдачи рекомендаций. В практической части курса участники будут работать с признаками, перебирать параметры моделей и строить ансамбли, используя язык Python.

• Что такое машинное обучение.
• Виды моделей машинного обучения.
• Этапы машинного обучения.
• Типовые задачи.
• Компоненты решений задач.
• NumPy, Pandas, SciPy, Matplotlib, Scikit-learn, Tensorflow.
• Оценка моделей.
• Функции потерь.
• Виды метрик.
• Разбиение на выборки: обучающую, тестовую, проверочную.
• Линейная регрессия.
• Логистическая регрессия.
• Оптимизация: градиентный спуск.
• Деревья решений.
• Ансамбли: бустинг, бэггинг (случайный лес).
• Разновидности методов.
• Оценка качества кластеризации.
• K-means.
• DBSCAN.
• Зачем снижать размерность.
• Методы отбора признаков.
• Методы конструирования признаков.
• Выявление аномалий.
• Нейросетевой подход в машинном обучении.
• Популярные типы задач, решаемые нейронными сетями.
• Устройство нейронных сетей.