Введение в Python Введение в Python. ООП, модули, базы данных Основы Python для ML Теоретический минимум для ML: математика, линал, статистика Основные методы машинного обучения Проектная работа
-
Тема 1: Знакомство. Настройка окружения для работы
-
Тема 2: Базовые типы и структуры данных. Управление потоком
-
Тема 3: Работа с функциями и данными
-
-
Тема 5: Групповая менторская консультация
-
-
Тема 2: Продвинутый ООП, исключения
-
Тема 3: Продвинутый ООП, продолжение
-
-
-
Тема 6: Знакомство со встроенными модулями
-
-
Тема 8: Групповая менторская консультация
-
-
-
Тема 3: Визуализация данных
-
Тема 4: Групповая менторская консультация
-
Тема 1: Матрицы. Основные понятия и операции
-
Тема 2: Практика. Матрицы
-
Тема 3: Дифференцирование и оптимизация функций
-
Тема 4: Практика. Дифференцирование и оптимизация функций
-
Тема 5: Алгоритмы и вычислительная сложность
-
-
Тема 7: Практика. МНК и ММП
-
Тема 8: Случайные величины и их моделирование
-
Тема 9: Практика. Случайные величины и их моделирование
-
Тема 10: Исследование зависимостей: номинальные, порядковые и количественные величины
-
Тема 11: Практика. Исследование зависимостей: номинальные, порядковые и количественные величины
-
Тема 12: A/Б-тестирование
-
Тема 13: Групповая менторская консультация
-
Тема 1: Введение в машинное обучение
-
Тема 2: Exploratory Data Analysis and Preprocessing
-
Тема 3: Задача регрессии. Линейная регрессия
-
Тема 4: Задача классификации. Метод ближайших соседей
-
Тема 5: Логистическая регрессия
-
-
-
Тема 8: Feature engineering & advanced preprocessing
-
Тема 9: Групповая менторская консультация
-
Тема 1: Выбор темы проекта
-
Тема 2: Консультация в формате предзащиты
-
Продвинутые методы машинного обучения: обучение с учителемПродвинутые методы машинного обучения: обучение без учителяВведение в Deep LearningСбор данных. Анализ текстовых данных Анализ временных рядовРекомендательные системыПроектная работа
-
Тема 1: Вводный урок. Программа курса. Повторение основных концепций машинного обучения
-
Тема 2: Метод градиентного спуска
-
Тема 3: Повторение основных понятий задачи классификации на практике: EDA, cross-validation, метрики качества
-
-
-
Тема 6: Градиентный бустинг
-
Тема 7: Метод опорных векторов
-
Тема 1: Методы уменьшения размерности
-
Тема 2: Обучение без учителя. K-means
-
Тема 3: Обучение без учителя. Иерархическая кластеризация. DB-Scan
-
Тема 4: Поиск аномалий в данных
-
Тема 5: Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
-
Тема 6: Алгоритмы на графах
-
Тема 7: Алгоритмы на графах: продолжение
-
Тема 1: Введение в нейросети
-
Тема 2: Продвинутые методы оптимизации, backpropagation и обучение нейронных сетей
-
-
Тема 4: Борьба с переобучение нейросетей, взрыв и затухание градиентов
-
Тема 5: Сверточные сети (Convolutional Neural Networks)
-
Тема 6: Рекуррентные сети
-
-
-
Тема 2: Анализ текстовых данных. Часть 1: Предобработка и токенизация
-
Тема 3: Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами
-
Тема 4: Анализ текстовых данных. Часть 3: Named Entity Recognition
-
Тема 5: Анализ текстовых данных. Часть 4: Тематическое моделирование
-
Тема 6: Q&A + бонусная практика по трансформерам
-
Тема 1: Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
-
Тема 2: Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
-
Тема 3: Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
-
Тема 1: Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
-
Тема 2: Рекомендательные системы. Часть 2: Продвинутые алгоритмы SVD и ALS (РС)
-
Тема 3: Рекомендательные системы. Часть 3: Контентная фильтрация, гибридные подходы. Ассоциативные правила
-
Тема 4: Практическое занятие по рекомендательным системам. Surpsise
-
-
Тема 6: ML в Apache Spark
-
Тема 1: Выбор темы и организация проектной работы
-
Тема 2: Предзащита проектных работ №1
-
Тема 3: Предзащита проектных работ №2
-
Тема 4: Защита проектных работ
OTUS
факультет 