[PyMagic] Data Science для начинающих (Никулина Анастасия, Петр Ермаков)

[Аноним]

Ссылка на картинку

# Для кого
Подойдет для начинающих, кто только хочет освоить машинное обучение, не важно, в какой сфере вы работали. Также нужны знания школьной математики, базовых принципов

# Что получаете
Знания, как работают алгоритмы машинного обучения
Практика на реальных данных
Собственный pet-project

# Трудоустройство
Помогаем грамотно составить резюме
Проведем предварительное собеседование

Программа:
Основы Python

• Что такое Python?
• Основные структуры данных и типы переменных
• Anaconda & Jupyter Notebook
• Алгоритмы сортировки

SQL

• Основы синтаксиса
• Соединение таблиц
• Оконные функции
• Ранжирующие функции
• Функции смещения

Математический анализ

• Графики функций
• Предел и производная
• Задача нахождения экстремума
• Интеграл
• Градиент

Линейная алгебра

• Векторы и операции на ними
• Матрицы и операции над ними
• Системы линейных уравнений (СЛАУ)
• Методы решения систем линейных алгебраических уравнений
• Матричные разложения
• Сингулярное разложение матриц SVD

Статистика

• Основные определения
• Описательные статистики
• Параметры, характеризующие разброс
• Нормальное распределение
• Центральная предельная теорема
• Доверительные интервалы
• Проверка гипотез. Меры различий
• Параметрические критерии. Одновыборочный критерий t-Стьюдента
• Параметрические критерии. Двухвыборочный критерий t-Стьюдента
• Непараметрические критерии. Критерии Манна-Уитни
• Корреляция
• Корреляция Пирсона
• Корреляция Спирмена

А/Б тестирование

• Ведение
• Основные статистические критерии
• Мощность и корректность
• Что нужно знать перед запуском теста?
• Метод повышения чувствительности CUPED

Теория вероятностей

• Основные определения
• Свойства вероятности
• Условная вероятность
• Формула полной вероятности и Теорема Байеса
• Элементы комбинаторики

Методы оптимизации

• Градиентный спуск
• Стохастический градиентный спуск
• Генетические алгоритмы
• Алгоритм дифференциальной эволюции

Машинное обучение. Введение

• Что такое Data Science и для чего он нужен?
• Подробный процесс разработки моделей
• Разведочный анализ данных (exploratory data analysis, EDA)
• Визуализация: библиотеки и методы
• Обучение с учителем
• Обучение без учителя
• Преобразования признаков
• Методы масштабирования признаков
• Кодирование категориальных признаков

Линейные алгоритмы

• Линейная регрессия
• Метод максимального правдоподобия
• Метрики качества в задачах регрессии
• Линейные алгоритмы. Классификация
• Линейный классификатор
• Ошибка в задачах классификации. Функция потерь
• SVM. Нелинейные ядра
• Спрямляющие пространства
• Логистическая регрессия
• Метрики качества в задачах классификации

Способы борьбы с переобучением

• Регуляризация
• Оценка работы алгоритма
• Отложенная выборка
• Кросс-валидация
• Кросс-валидация со стратифицированной выборкой

Деревья

• Решающие деревья
• Построение деревьев
• Критерии информативности
• Критерий информативности для регрессии
• Критерий информативности для классификации
• Энтропийный критерий информативности
• Критерий останова
• Стрижка деревьев
• Композиции деревьев
• Бутстрап
• Бэггинг
• Случайные леса
• Определение бустинга
• Градиентный бустинг
• XGBoost

Метрические алгоритмы

• Метод k-ближайших соседей
• Метрики

Байесовские модели
Кластерный анализ

• Метрики качества кластеризации
• K-means
• Графовые методы. Spectral Clustering
• Иерархическая кластеризация
• DBSCAN
• Метод главных компонент PCA

Ансамблирование, стекинг и блендинг

• Блендинг
• Стэкинг

NLP

• Быстрое погружение в лингвистику
• Превращение текста в вектор
• Морфологический анализ
• Сравнение текстов
• Задачи NLP
• Машинное обучение на текстах
• Фичи на текстах
• Задачи машинного обучения на текстах
• Best practices
• Альтернативные подходы к подготовке фичей на текстах
• Задачи выделения фактов

Deep Learning

• В чем отличия от классического ML?
• Почему это стало возможным?
• Преимущества глубокого обучения
• Сферы применения
• Ключевые компоненты алгоритма глубокого обучения
• Основные глубокие архитектуры
• Подход к изучению: что должен знать специалист по DL?