Цей курс розрахований на спеціалістів, які мають досвід роботи з подібними технологіями, і хочуть вивчити сучасні методи машинного навчання з використанням технології BigData. Ці методи використовуються під час пошуку прихованих закономірностей, аналізу даних при вирішенні задач прогнозування та класифікації.
Після закінчення курсу Ви зможете будувати системи машинного навчання на основі великого обсягу даних. Для цього в навчальну програму входить і фреймворк Spark. Також без особливих зусиль можна використовувати мову програмування Python, щоб вирішувати завдання класифікації, кластеризації й регресії за допомогою алгоритмів машинного навчання. Окрім цього, Ви зможете професійно оцінювати якість моделей.
Python – це мова програмування, яка розвивається дуже активно. Вона відкриє Вам можливості роботи з різноплановими та цікавими проектами.
Курси Python для Data Science: навчальна програма курсу.
Модуль 1.
- Знайомство з машинним навчанням і Data Science.
- Задачі машинного навчання і науки про дані.
- Аналіз даних за допомогою Python.
- Машинне навчання і його типи.
- Модель машинного навчання і його компоненти.
- Поняття машинного навчання і його цінність.
Модуль 2.
- Мова програмування Python і її основи.
- Інтерпретація і запуск програм.
- Особливості мови.
- Типізація і структура даних.
- Розгалуження і цикли операторів контролю виконання.
Модуль 3.
- Функціональне програмування.
- Суть, генерація, ітерація.
- Для чого потрібен Python. Інструментарій і функції.
Модуль 4.
- Об'єктно-орієнтований підхід до програмування в Python.
- Простір імен і сфера їх використання.
- Робота з системою імпорту, пакетами і модулями.
Модуль 5.
- Аналіз даних, їх дослідження та підготовка.
- Програмні бібліотеки: Pandas, NumPy, SciPy, Matplotlib, Seaborn.
Модуль 6.
- Підготовка даних до аналізу: основні проблеми.
- Факторні змінні і їх зміни.
- Як боротися з проблемами в даних.
- Інформативні змінні.
- Мультиколлінеарність.
- Скаляція даних.
Модуль 7.
- Основні регресійні моделі.
- Види регресії.
- Оцінка якості регресії.
- Регресивні моделі та їх апгрейд.
Модуль 8.
- Класифікація.
- Логістична регресія: що це таке.
- Регресивний аналіз і його методи.
- Наївний Байесовський класифікатор.
- Функція оцінки якості класифікації.
Модуль 9.
- Основні моделі зниження розмірності й кластеризації.
- Метод кластерного аналізу.
- Алгоритм DBSCAN.
- Аналіз співпадінь.
Модуль 10.
- Ансамблі й дерева рішень.
- Основні деревоподібні моделі.
- Алгоритм машинного навчання Random forest.
- Алгоритм Lighthbm і XGBOOST.
- Ансамблеві моделі й зміни гіперпараметрів у них.
Модуль 11.
- Покращення якості машинного навчання.
- Аугментація даних.
- Конструювання ознак.
- Перехресна перевірк.
- Як боротися з дисбалансом даних і перенавчанням.
Модуль 12.
- Нейронні мережі.
- Нейромережева бібліотека Keras.
- Бібліотека TensorFlow.
- Рекурентна нейронна мережа і генеративно-змагальна мережа.
Модуль 13.
- Робота з Big Data.
- Джерело даних.
- Пакет pySpark – інструмент для миттєвих кластерних обчислень.
Модуль 14.
- Покращуємо якість моделей.
- Курсовий проект і його обговорення.
- Підсумки курсу.
