EAS-025
Машинное обучение на практике
Практический курс по машинному обучению для аналитиков и разработчиков. Освоите полный цикл создания ML-моделей от подготовки данных до презентации результатов. Уникальность: курс построен на реальных кейсах, что позволяет сразу применять знания на практике. Ценность: научитесь решать реальные бизнес-задачи с помощью машинного обучения, повышая эффективность и точность решений.
Удостоверение о прохождении
Смотреть пример
24 академ. часов
Онлайн
Подробнее
О чём курс
Курс построен вокруг нескольких практических кейсов, содержащих таблицы с исходными данными.
По каждому кейсу проходим полный жизненный цикл проекта машинного обучения:исследование, очистка и подготовка данных,
выбор метода обучения, соответствующего задаче (линейная регрессия для регрессии, случайный лес для классификации, К-средние и DBSCAN для кластеризации),
обучение с использованием выбранного метода,
оценка результата,
оптимизация модели,
представление результата заказчику.
На дискуссионной части курса обсуждаем стоящие перед слушателями практические задачи, которые можно решить рассмотренными методами.
По каждому кейсу проходим полный жизненный цикл проекта машинного обучения:
На дискуссионной части курса обсуждаем стоящие перед слушателями практические задачи, которые можно решить рассмотренными методами.
Цели
Целевая аудитория
Основная:
Аналитики
Менеджеры проектов, связанных с данными
Технические лидеры / ведущие разработчики в любых проектах, связанных с данными
Бизнес-аналитики
Дополнительная:
Разработчики
Инженеры данных (Data Engineer)
Архитекторы, системные проектировщики
Предварительная подготовка
Умение читать простой код на Python и писать на любом скриптовом языке.
Для кого
Data Scientist
Бизнес-аналитик
Разработчик
Data Engineer
Улучшаемые навыки
Машинное обучение
Python
Scikit-learn
Pandas
Seaborn
Регрессия
Классификация
Кластеризация
Инструменты
Python
Scikit-learn
Pandas
Jupyter Notebook
Seaborn
Программа курса
01
Обзор задачи
02
Подготовка, очистка, исследование данных
03
Классификаторы и Регрессоры
04
Кластеризация
05
Оценка моделей
06
Оптимизация
07
Графики, отчеты, работа с живыми задачами
08
Всего: теория – 13 ч. (54%), практика – 11 ч. (46%)
Чему вы научитесь
01
Понять, какие задачи можно решать машинным обучением (и узнать, что Big Data это всего лишь подраздел, а не обязательное требование)
02
Подготавливать и очищать данные для анализа.
03
Выбирать и применять методы машинного обучения для решения задач классификации, регрессии и кластеризации.
04
Оценивать качество моделей и оптимизировать их параметры.
05
Визуализировать и представлять результаты анализа заказчику.
06
Создавать простые и ансамблевые модели для предсказаний и обнаружения структур в данных.
Записаться на курс
39 000 ₽
35 100 ₽ — для физ. лиц
Юр. лицо — 39 000 ₽
Физ. лицо — 35 100 ₽
Открытая дата
Связанные курсы
EAS-020
24 часа
Основы машинного обучения
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.
от Middle
32 000 ₽
EAS-027
30 часов
Машинное обучение с подкреплением: обычное и глубокое
Освойте методы обучения с подкреплением и их применение в реальных задачах. Этот курс предоставляет всесторонний обзор RL и DRL, включая основы математики, базовые алгоритмы и современные исследования. Вы научитесь моделировать среды RL и применять алгоритмы для решения
от Senior
54 500 ₽
Наши ученики работают в:
Наши клиенты
