Машинное обучение: от статистики до нейросетей

Современные науки о данных — это огромная область, которая включает себя много методов, технологий и трюков. Всё это быстро развивается, постоянно возникают новые направления и результаты. Мы создали нашу специализацию для того, чтобы познакомить вас со со всеми ключевыми разделами машинного обучения и анализа данных. Проходя курсы специализации по порядку, вы сможете постепенно шаг за шагом погружаться в мир данных, освоить самые важные концепции и получить базу, с которой сможете углубляться дальше в любом направлении — будь то рекомендательные системы, машинное зрение или обучение с подкреплением.

Мы начнём с изучения Python для анализа данных: разберёмся, как с его помощью можно собирать данные из разнообразных источников, искать и устранять в них проблемы, делать первичную аналитику. В следующих курсах мы познакомимся с классическим машинным обучением (и дойдём до композиций моделей, которые являются стандартом для работы с табличными данными) и статистическими методами и их приложениями для анализа моделей, работы с временными данными и A/B-тестирования. Наконец, мы изучим ключевые разделы глубинного обучения: узнаем, как обучаются современные нейронные сети и как именно они позволяют добиваться мощных результатов при анализе изображений и текстов.

Значительная часть видеоматериала специализации — практические занятия, на которых подробно разбираются различные проекты. Помимо этого на каждой неделе слушателям предлагается выполнить домашнюю работу — решить несколько прикладных задач на реальных данных.

1. Продвинутые методы машинного обучения
2. Сбор и анализ данных в Python
3. Основы машинного обучения
4. Статистические методы анализа данных
5. Математическая статистика и А‍/‍В тестирование
6. Основы глубинного обучения
7. Продвинутые методы глубинного обучения

• Генерировать случайные величины из различных распределений и решать задачи с помощью симуляций
• Понимать, какой смысл стоит за различными распределениями, центральной предельной теоремой и законом больших чисел
• Работать с API разных сервисов, писать парсеры для сбора данных, делать предобработку и предварительный анализ  данных
• Сможете построить с помощью Python доверительный интервал и проверить гипотезу