Поиск
Искать только в заголовках
Автор:
Искать только в заголовках
Автор:
Главная
Отзывы
Получить доступ
Стол заказов
FAQ
Обновление ссылок
Заработать
Поддержка
Вход
Регистрация
Поиск
Искать только в заголовках
Автор:
Искать только в заголовках
Автор:
Меню
Установить приложение
Установить
Ответить в теме
Главная
Каталог курсов
IT, ИИ, программирование, тестирование, аналитика
[Нетология] Профессия - Data Scientist (2019)
JavaScript отключён. Для полноценно использования нашего сайта, пожалуйста, включите JavaScript в своём браузере.
Вы используете устаревший браузер. Этот и другие сайты могут отображаться в нем неправильно.
Необходимо обновить браузер или попробовать использовать
другой
.
Сообщение
<blockquote data-quote="Виктория" data-source="post: 301" data-attributes="member: 8"><p><strong>[Нетология] Профессия - Data Scientist (2019)</strong></p><p><strong>Научитесь строить и обучать предиктивные модели с помощью алгоритмов машинного обучения и нейросетей.</strong></p><p></p><p>[ATTACH=full]84[/ATTACH]</p><p></p><p>Мощнейший курс по программированию от Нетологии. В сети были некоторые части материала, которые вызывали дикий восторг у людей. В этой раздаче находится весь материал.</p><p></p><p>Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы.</p><p></p><p>Курс состоит из более чем 180 часов видео и домашних заданий от ведущих специалистов по Data Scientist компаний Mail.ru, Ivi и Avito.</p><p></p><p>Первые два набора уже удачно состоялись, и студенты вовсю погрузились в базовые алгоритмы ML, feature engineering, машинное зрение, Data Scientist в e-commerce, временные ряды и прогнозирование стоимости акций и других товаров. Их преподавателями стали эксперты из Yandex Data Factory, Rambler&Co, Сбербанк Технологии и теперь у вас появится возможность получить все необходимые знания и навыки для работы в области больших данных.</p><p></p><p><strong>Программа обучения:</strong></p><p><strong></strong></p><p><strong>I Подготовительный блок:</strong></p><p>Экспресс-обучение основным инструментам: Python 3, git, библиотеки numpy, pandas. Обзор основного математического аппарата: матричные операции, введение в статистику и проверку гипотез.</p><p></p><p><strong>II Введение в data science, основные инструменты:</strong></p><p>Что такое data science, big data, как это работает и где применяется. Эксплоративный анализ и библиотеки визуализации данных. Обзор методов машинного обучения в бибилотеке scikit-learn.</p><p></p><p><strong>III Базовые алгоритмы и понятия машинного обучения:</strong></p><p>Разбор основных задач и алгоритмов машинного обучения: деревья решений, метод k ближайших соседей, линейный классификатор и логистическая регрессия, кластеризация. Проверка точности модели. Проблема переобучения и борьба с ней: регуляризация, ансамблирование.</p><p></p><p><strong>IV Feature engineering:</strong></p><p>Проблемы качества и размерности данных. Уменьшение размерности данных. Методы декомпозиции. Cпрямляющие пространства.</p><p></p><p><strong>V Рекомендательные системы:</strong></p><p>Введение в рекомендательные системы. Неперсонализированные рекомендации. Персонализированные рекомендации. Развитие рекомендательных систем.</p><p></p><p><strong>VI Распознавание изображений, машинное зрение:</strong></p><p>Базовая теория. Обзор кейсов применения. Нейросети. Разбор реальных задач: рукописный ввод, детекция и сегментация объектов на изображении.</p><p></p><p><strong>VII Обработка естественного языка (NLP):</strong></p><p>Введение в обработку текста. Обзор существующих библиотек, их использование и доработка. Использование внешних ресурсов. Грязные тексты: что это такое и как с ними работать. Дистрибутивная семантика. Чатботы: разбор генерации текстов. Нейросети для NLP.</p><p></p><p><strong>VIII Анализ временных рядов, прогнозирование:</strong></p><p>Временные ряды, модели ARMA/ARIMA. Сложные модели прогнозирования. Эксплоративный анализ временных рядов.</p><p></p><p><strong>IX Общение с заказчиком:</strong></p><p>Проекты машинного обучения: как выявить требования и оценить проект. Составление отчетов по исследованиям. Мастер-класс по презентации результатов.</p><p></p><p><strong>X Data Science в маркетинге и e-commerce:</strong></p><p>Цели, задачи, решения и критерии успешности применения Data Science. Маркетинг Data-Driven vs интуиция. Типы данных и примеры датасетов. Методы сбора из разных источников. Подготовка и обработка данных, извлечение смысла и визуализация. Разбор атрибуции маркетинговых расходов для увеличения дохода интернет-магазина.</p><p></p><p><strong>XI Дополнительные инструменты, среды:</strong></p><p>Экосистема Google: BigQuery, Dataflow, Dataproc, Datalab и др. Коммерческие решения HP: Vertica, Haven, IDOL, коннекторы данных. Решения от Amazon (AWS). Хранение и обработка данных в Clickhouse.</p><p></p><p><strong>XII Дипломная работа:</strong></p><p>Разработка и внедрение собственного ML-решения/проекта либо разработка предложенного нами кейса.</p><p></p><p><strong>Что вы получите в результате обучения</strong></p><p><strong></strong></p><p><strong><em>Достигнутые результаты</em></strong></p><p>Построена полносвязная нейросеть</p><p>Создан чат-бот для поиска авиабилетов</p><p>Построен классификатор изображений</p><p>Созданы рекомендательные системы для музыкального и киносайта</p><p>Создан готовый к внедрению ml-проект</p><p></p><p><strong><em>Ключевые навыки</em></strong></p><p>Сбор и подготовка данных для анализа</p><p>Создание нейросетей</p><p>Генерация текстов и изображений</p><p>Создание рекомендательных систем</p><p>Выбор и реализация алгоритма под задачу</p><p>Выбор и создание фич для модели</p><p></p><p><strong>Объем материала: ~ 165 GB</strong></p><p><strong></strong></p><p><strong>Продажник</strong></p><p></p><p>*** Hidden text: cannot be quoted. ***</p><p></p><p></p><p><strong>Скачать</strong></p><p><strong></strong></p><p><strong>*** Hidden text: cannot be quoted. ***</strong></p><p><strong></strong></p></blockquote><p></p>
[QUOTE="Виктория, post: 301, member: 8"] [B][Нетология] Профессия - Data Scientist (2019) Научитесь строить и обучать предиктивные модели с помощью алгоритмов машинного обучения и нейросетей.[/B] [ATTACH type="full"]84[/ATTACH] Мощнейший курс по программированию от Нетологии. В сети были некоторые части материала, которые вызывали дикий восторг у людей. В этой раздаче находится весь материал. Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы. Курс состоит из более чем 180 часов видео и домашних заданий от ведущих специалистов по Data Scientist компаний Mail.ru, Ivi и Avito. Первые два набора уже удачно состоялись, и студенты вовсю погрузились в базовые алгоритмы ML, feature engineering, машинное зрение, Data Scientist в e-commerce, временные ряды и прогнозирование стоимости акций и других товаров. Их преподавателями стали эксперты из Yandex Data Factory, Rambler&Co, Сбербанк Технологии и теперь у вас появится возможность получить все необходимые знания и навыки для работы в области больших данных. [B]Программа обучения: I Подготовительный блок:[/B] Экспресс-обучение основным инструментам: Python 3, git, библиотеки numpy, pandas. Обзор основного математического аппарата: матричные операции, введение в статистику и проверку гипотез. [B]II Введение в data science, основные инструменты:[/B] Что такое data science, big data, как это работает и где применяется. Эксплоративный анализ и библиотеки визуализации данных. Обзор методов машинного обучения в бибилотеке scikit-learn. [B]III Базовые алгоритмы и понятия машинного обучения:[/B] Разбор основных задач и алгоритмов машинного обучения: деревья решений, метод k ближайших соседей, линейный классификатор и логистическая регрессия, кластеризация. Проверка точности модели. Проблема переобучения и борьба с ней: регуляризация, ансамблирование. [B]IV Feature engineering:[/B] Проблемы качества и размерности данных. Уменьшение размерности данных. Методы декомпозиции. Cпрямляющие пространства. [B]V Рекомендательные системы:[/B] Введение в рекомендательные системы. Неперсонализированные рекомендации. Персонализированные рекомендации. Развитие рекомендательных систем. [B]VI Распознавание изображений, машинное зрение:[/B] Базовая теория. Обзор кейсов применения. Нейросети. Разбор реальных задач: рукописный ввод, детекция и сегментация объектов на изображении. [B]VII Обработка естественного языка (NLP):[/B] Введение в обработку текста. Обзор существующих библиотек, их использование и доработка. Использование внешних ресурсов. Грязные тексты: что это такое и как с ними работать. Дистрибутивная семантика. Чатботы: разбор генерации текстов. Нейросети для NLP. [B]VIII Анализ временных рядов, прогнозирование:[/B] Временные ряды, модели ARMA/ARIMA. Сложные модели прогнозирования. Эксплоративный анализ временных рядов. [B]IX Общение с заказчиком:[/B] Проекты машинного обучения: как выявить требования и оценить проект. Составление отчетов по исследованиям. Мастер-класс по презентации результатов. [B]X Data Science в маркетинге и e-commerce:[/B] Цели, задачи, решения и критерии успешности применения Data Science. Маркетинг Data-Driven vs интуиция. Типы данных и примеры датасетов. Методы сбора из разных источников. Подготовка и обработка данных, извлечение смысла и визуализация. Разбор атрибуции маркетинговых расходов для увеличения дохода интернет-магазина. [B]XI Дополнительные инструменты, среды:[/B] Экосистема Google: BigQuery, Dataflow, Dataproc, Datalab и др. Коммерческие решения HP: Vertica, Haven, IDOL, коннекторы данных. Решения от Amazon (AWS). Хранение и обработка данных в Clickhouse. [B]XII Дипломная работа:[/B] Разработка и внедрение собственного ML-решения/проекта либо разработка предложенного нами кейса. [B]Что вы получите в результате обучения [I]Достигнутые результаты[/I][/B] Построена полносвязная нейросеть Создан чат-бот для поиска авиабилетов Построен классификатор изображений Созданы рекомендательные системы для музыкального и киносайта Создан готовый к внедрению ml-проект [B][I]Ключевые навыки[/I][/B] Сбор и подготовка данных для анализа Создание нейросетей Генерация текстов и изображений Создание рекомендательных систем Выбор и реализация алгоритма под задачу Выбор и создание фич для модели [B]Объем материала: ~ 165 GB Продажник[/B] *** Hidden text: cannot be quoted. *** [B]Скачать *** Hidden text: cannot be quoted. *** [/B] [/QUOTE]
Вставить цитаты...
Имя
Проверка
Ответить
Главная
Каталог курсов
IT, ИИ, программирование, тестирование, аналитика
[Нетология] Профессия - Data Scientist (2019)
Верх
Низ
