Анализ данных на практике

Курс предполагает изучение следующих тем:

• Создание понимания задач машинного обучения, мотивация к их решению и практические приложения этих задач.
• Базовые практические навыки постановки и решения задач анализа данных как инженерных задач
• Актуальные задачи и некоторые последние достижения в области анализа данных

Для бесплатного просмотра доступны только видеолекции и тренировочные задания. Тесты на проверку откроются после оплаты сертификации. Стоимость сертификации составляет 2800 рублей.

Экзамус.

Уважаемые слушатели, Вы можете сдать экзамен с прокторингом, который будет проходить на курсе раз в 2-3 месяца. Рассылка о предстоящих экзаменах будет приходить Вам на почту заранее.

Ближайшие даты экзамена с 22 по 31 мая 2023 года.

Курс состоит из 13 учебных недель (включая экзамен). Для успешного решения большинства задач из тестов достаточно освоить материал, рассказанный на лекциях. На семинарах разбираются и более сложные задачи, которые смогут заинтересовать слушателя, уже знакомого с основами.

Неделя 1: Введение

Неделя 2: Метрики качества. Работа с признаками, постановка задач

Неделя 3: Решающие деревья в задачах классификации и регрессии

Неделя 4: Построение ансамблей. Random Forest и Gradient Forest

Неделя 5: Логистическая регрессия и SVM

Неделя 6: Кластеризация

Неделя 7: Введение в Text Mining

Неделя 8: Introduction in the deep learning

Неделя 9: Deep learning for Data with Sequence Structure

Неделя 10: Рекомендательные системы

Неделя 11: Case Study: Прогнозирование оттока

Неделя 12: Прогнозирование временных рядов

По итогам успешного прохождения курса у Вас сложится общая картина обо всех направлениях анализа данных. Вы узнаете об основных способах машинного обучения: supervised learning, unsupervised learning и даже semi-supervised learning. Вы научитесь решать задачи классификации, регрессии, кластеризации, узнаете о всех тонкостях оценки качества алгоритмов, преобразования признаков. И, конечно же, у Вас появится представление о реальных задачах анализа данных – мы рассмотрим такие примеры, как классификация музыки по жанрам, максимизация дохода, прогнозирование оттока пользователей, анализ текстов. Кроме того, мы разберем все основные структуры нейронных сетей и то, как и где их применять. Напоследок, Вы познакомитесь с основными понятиями и методами в прогнозировании временных рядов.