Об этом курсе

Недавно просмотрено: 179,627

Карьерные результаты учащихся

47%

начал новую карьеру, пройдя эти курсы

60%

получил значимые преимущества в карьере благодаря этому курсу

40%

стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 59 часов на выполнение
Русский

Приобретаемые навыки

Random ForestPython ProgrammingMachine LearningSupervised Learning

Карьерные результаты учащихся

47%

начал новую карьеру, пройдя эти курсы

60%

получил значимые преимущества в карьере благодаря этому курсу

40%

стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 59 часов на выполнение
Русский

от партнера

Placeholder

Московский физико-технический институт

Placeholder

Яндекс

Placeholder

E-Learning Development Fund

Программа курса: что вы изучите

Оценка контентаThumbs Up88%(35,835 оценки)Info
Неделя
1

Неделя 1

10 ч. на завершение

Машинное обучение и линейные модели

10 ч. на завершение
13 видео ((всего 82 мин.)), 8 материалов для самостоятельного изучения, 8 тестов
13 видео
Как устроена специализация, и зачем ее проходить3мин
МФТИ1мин
Знакомство с машинным обучением11мин
Обучение на размеченных данных5мин
Обучение без учителя5мин
Признаки в машинном обучении8мин
Линейные модели в задачах регрессии9мин
Обучение линейной регрессии6мин
Градиентный спуск для линейной регрессии7мин
Стохастический градиентный спуск4мин
Линейная классификация6мин
Функции потерь в задачах классификации6мин
8 материалов для самостоятельного изучения
Формат специализации и получение сертификата10мин
Немного о Yandex10мин
МФТИ10мин
Forum&Chat10мин
Слайды к лекциям10мин
Конспект10мин
Слайды к лекциям10мин
Конспект10мин
6 практических упражнений
Основные термины в машинном обучении30мин
Типы задач в машинном обучении30мин
Машинное обучение: задачи и признаки30мин
Линейная регрессия30мин
Градиентный спуск30мин
Линейные модели30мин
Неделя
2

Неделя 2

11 ч. на завершение

Борьба с переобучением и оценивание качества

11 ч. на завершение
14 видео ((всего 126 мин.)), 9 материалов для самостоятельного изучения, 8 тестов
14 видео
Регуляризация7мин
Оценивание качества алгоритмов7мин
Сравнение алгоритмов и выбор гиперпараметров4мин
Метрики качества в задачах регрессии10мин
Метрики качества классификации4мин
Точность и полнота8мин
Объединение точности и полноты5мин
Качество оценок принадлежности классу12мин
Встроенные датасеты. Sklearn.datasets15мин
Кросс-валидация. Sklearn.cross_validation9мин
Линейные модели. Sklearn.linear_model. Классификация10мин
Линейные модели. Sklearn.linear_model. Регрессия7мин
Метрики качества. Sklearn.metrics13мин
9 материалов для самостоятельного изучения
Слайды к лекциям10мин
Конспект10мин
Слайды к лекциям10мин
Конспект10мин
Встроенные датасеты. Sklearn.datasets (ipython notebook)10мин
Кросс-валидация. Sklearn.cross_validation (ipython notebook)10мин
Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)10мин
Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)10мин
Метрики качества. Sklearn.metrics (ipython notebook)10мин
6 практических упражнений
Проблема переобучения30мин
Проблема переобучения и борьба с ней30мин
Как измерить качество алгоритма?30мин
Метрики качества30мин
Встроенные датасеты и кросс-валидация30мин
Введение в scikit-learn30мин
Неделя
3

Неделя 3

9 ч. на завершение

Линейные модели: классификация и практические аспекты

9 ч. на завершение
14 видео ((всего 97 мин.)), 7 материалов для самостоятельного изучения, 7 тестов
14 видео
Метод максимального правдоподобия4мин
Регрессия как максимизация правдоподобия2мин
Регрессия как оценка среднего4мин
Регуляризация8мин
Задача оценивания вероятностей и логистическая регрессия8мин
Масштабирование признаков6мин
Спрямляющие пространства5мин
Работа с категориальными признаками4мин
Несбалансированные данные5мин
Многоклассовая классификация4мин
Подбор параметров по сетке. Sklearn.grid_search9мин
Задача: bike sharing demand15мин
Задача: bike sharing demand. Продолжение13мин
7 материалов для самостоятельного изучения
Слайды к лекциям10мин
Конспект10мин
Слайды к лекциям10мин
Конспект10мин
Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)10мин
Задача Bike Sharing Demand (ipython notebook)10мин
Задача Bike Sharing Demand. Продолжение (ipython notebook)10мин
6 практических упражнений
Метод максимального правдоподобия30мин
Линейные модели: статистический взгляд30мин
Линейные модели: подготовка признаков30мин
Линейные модели: практические аспекты30мин
Подбор параметров по сетке30мин
Анализ данных в scikit-learn30мин
Неделя
4

Неделя 4

13 ч. на завершение

Решающие деревья и композиции алгоритмов

13 ч. на завершение
17 видео ((всего 114 мин.)), 10 материалов для самостоятельного изучения, 8 тестов
17 видео
Обучение решающих деревьев6мин
Критерии информативности7мин
Критерии останова и стрижка деревьев4мин
Решающие деревья и категориальные признаки8мин
Решающие деревья в sklearn10мин
Композиции деревьев6мин
Смещение и разброс9мин
Случайные леса6мин
Трюки со случайными лесами4мин
Случайные леса в sklearn7мин
Композиции простых алгоритмов5мин
Градиентный бустинг7мин
Борьба с переобучением в градиентном бустинге6мин
Градиентный бустинг для регрессии и классификации4мин
Градиентный бустинг над решающими деревьями5мин
Градиентный бустинг в XGBoost5мин
10 материалов для самостоятельного изучения
Решающие деревья в sklearn (ipython notebook)10мин
Слайды к лекциям10мин
Конспект10мин
Случайные леса в sklearn (ipython notebook)10мин
Слайды к лекциям10мин
Конспект10мин
XGBoost10мин
Градиентный бустинг в XGBoost (ipython notebook)10мин
Слайды к лекциям10мин
Конспект10мин
6 практических упражнений
Построение решающих деревьев30мин
Решающие деревья30мин
Бэггинг30мин
Композиции и случайные леса30мин
Обучение композиций и градиентный бустинг30мин
Градиентный бустинг: обучение и практические аспекты30мин

Рецензии

Лучшие отзывы о курсе ОБУЧЕНИЕ НА РАЗМЕЧЕННЫХ ДАННЫХ

Посмотреть все отзывы

Специализация Машинное обучение и анализ данных: общие сведения

Машинное обучение и анализ данных

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.