Курс по машинному обучению от Skillfactory

От: Skillfactory

5/5

4 отзыва

Машинное обучение Анализ данных

Прохождение данного 84-дневного "Курса по машинному обучению" позволит любому новичку овладеть современными инструментами решения собственных конкретных бизнес-задач и работе с данными при помощи машинного обучения. После обучения выпускник станет продвинутым специалистом по Machine Learning и овладеет практическими навыками работы с различными методами и алгоритмами машинного обучения. В его арсенале появятся такие важные инструменты, как Python, Pandas, NumPy и TensorFlow. На время обучения предусмотрена менторская поддержка. Выпускнику выдаётся диплом.

Записаться на курс

Сводка

Цена

от 63 000₽ 36 900₽

Рассрочка

от 200₽

Статус

Идет набор

Длительность

90 дней

Язык

Описание курса

Решать конкретные бизнес-задачи и работать с данными с помощью машинного обучения

- Разбираться в принципах математических алгоритмов, современных библиотек, feature engineerig и оценки моделей
- Использовать возможности машинного обучения в своей работе или бизнесе
- Оптимизировать модели линейной и логистической регрессии
- Собирать Git-репозиторий
- Обучать решающее дерево для задачи регрессии, линейную модель и использование XGBoost для анализа временных рядов, рекомендательную систему

О школе

Skillfactory

Отзывы 0

Информация

Компания основана в 2016 году. Официальный сайт https://skillfactory.ru. Мы собрали и проверили более 115 отзывов об онлайн курсах Skillfactory.

Программа курса

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

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

Модуль 6

Tree-based алгоритмы: ансамбли

Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии

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

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

Модуль 9

Рекомендательные системы

Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели

Модуль 10

Финальный хакатон

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

Инструменты

Python

Pandas

NumPy

TensorFlow

Другие курсы школы

Математика для Data Science

Профессия Python-разработчик

DevOps-инженер

Профессия Java-разработчик

Мастер Google таблиц

Отзывы

О школе О Курсе

Рейтинг 5

4 отзывов

Проходил у них курс по машинному обучению, за 6 недель пришлось отдать 44 тысячи, и то, это еще со скидкой оплатил, потому что покупал заранее. А так он стоит 69 тысяч. Как мне кажется, ценник неслабо завышен. По окончанию обучения мнения не изменил. Не спорю, знания приобрел полезные, но красная цена этому курсу – тысяч 25, не больше. К преподам вопросов не имею, ребята толковые, практики, а не типичные вузовские педагоги. Поэтому обучение вели на понятно и доступном языке, все объясняли, на тонкостях, которые не нужны специалисту типа меня, не останавливались. Программа была обширная, начали с языка Питона, а закончили уже применением машинного обучения на практике. В целом изучались алгоритмы машинного обучения, учились их классифицировать, работать с данными, подбирать модели под конкретные задачи. Сложно, но, тем не менее, интересно. Уроки велись в оффлайне, я всегда был сторонником очного формата. Тут все стандартно: лекция с презентацией, практические задачи. Все делали на ноутах с Питоном (нужен свой, но Питон, если надо, поставят или покажут как это сделать). Параллельно практиковалась работа в группах. Для удаленки использовался мессенджер Слак. Дома делал домашку. В целом я научился решать конкретные бизнес-задачи и работать с данными с помощью машинного обучения. Так что обучение прошло не зря, хоть и влетело в копеечку.

Отзыв взят с сайта mooc.ru

Летом 2018 года проходил курс "Практический Machin Learning". На курсе сильное взаимодействие, как с преподавателями, так и с другими слушателями. Очень понравились групповые задания-соревнования и финальный хакатон. Было классно. Такой подход к подаче материала нравится. Т.к. в случае с Python'ом practice makes perfect. Касательно минусов лично для меня иногда было ну очень много теории. Конечно, без нее никак.Но теорию можно и дома почитать или посмотреть лекцию с "говорящей головой". Хотелось бы курсу пожелать побольше практических занятиях "в классе". Некоторые домашние задания как по мне были сложны и за один присест из было не сделать. Но опять же, это для кого-то минус, а для кого-то плюс. По сути Д/З мотивирует самому включаться и разбираться. И даже подключать других.