Машинное Обучение в Python: Большой Курс для Начинающих

Машинное Обучение в Python: Большой Курс для Начинающих

4.5

ФорматОнлайн

Объём26 занятий

УровеньНачальный

По окончанииСертификат Stepik

О курсе

Подробнее

Этот курс - лучший способ начать с нуля и стать специалистом по Машинному Обучению в Python! Отличительная особенность этого курса - низкий порог входа в машинное обучение, без необходимости глубоко погружаться в математику раньше времени. Внутри курса математика добавляется постепенно - таким образом, что даже гуманитарии успешно проходят этот курс и пишут об этом в отзывах. Если во время прохождения курса у Вас возникнут какие-либо вопросы, то смело задавайте их в комментариях к лекциям - я как автор курса с удовольствием отвечу на все Ваши вопросы! Для отработки навыков в курсе много практики - проверочные задания с различными данными (датасетами), а также большие проверочные проекты, с разбором решений. В этом курсе Вы изучите следующие темы: - NumPy в Python - Детальное изучение Pandas для анализа и предварительной обработки данных - Детальное изучение Seaborn для визуализации данных (включая Matplotlib для кастомизации графиков) - Машинное обучение с применением библиотеки SciKit Learn, включая следующие темы: Linear Regression - Линейная Регрессия Regularization - Регуляризация Lasso Regression - Лассо-Регрессия Ridge Regression - Ридж-Регрессия Регуляризация Elastic Net Logistic Regression - Логистическая регрессия K Nearest Neighbors - Метод К-ближайших соседей Decision Trees - Деревья решений Random Forests - Случайные леса AdaBoost, GradientBoosting - Адаптивный бустинг, Градиентный бустинг Natural Language Processing - Обработка языковых данных K Means Clustering - Кластеризация К-средних Hierarchical Clustering - Иерархическая кластеризация DBSCAN (Density-based spatial clustering of applications with noise) - Кластеризация на основе плотности данных PCA - Principal Component Analysis - Метод главных компонент И многое, многое другое! Материалы курса можно скачать! Внутри курса находится набор блокнотов Jupyter Notebook с примерами кода и детальным описанием. Для каждой лекции это отдельные блокноты, которые разложены по папкам с соответствии с разделами курса. Так что Вы сможете не только просмотреть видео-лекции, но и прочитать блокноты. Это особенно удобно, когда Вам нужно что-то вспомнить или быстро пробежаться по материалу в поисках нужной информации. А также можно скачать презентации курса. Надеюсь, что Вы запишетесь на этот курс и прокачаете Ваши навыки! Добро пожаловать! Этот обучающий курс доступен без ограничений по времени - Вы получите доступ и сможете проходить курс в удобном для Вас темпе, никуда не торопясь. Ориентировочное время на прохождение курса - 50 часов на просмотр лекций и 50 часов на практические задания, итого в сумме около 100 часов. Однако это лишь примерные ориентиры. На деле всё очень индивидуально - кто-то выполняет задания быстрее, а кому-то нужно больше времени. Кто-то пропустит часть лекций, потому что некоторые темы уже знает, а кто-то не только пройдёт весь курс полностью, но и посмотрит какие-то лекции два раза. В итоге время на прохождение курса может меняться. p.s. На этот курс можно записаться как отдельно, так и в составе Пакета из 3 курсов "Data Scientist": Python + SQL + Машинное обучение (вот ссылка). Пакет курсов позволяет получить скидку по сравнению с 3 отдельными курсами.

Требования

Что нужно для старта

Базовые знания Python (на уровне функций).
Либо опыт работы с другими языками программирования + готовность изучать Python в процессе курса.

Результат

Что вы получите

Построение моделей машинного обучения с учителем (Supervised Learning)
Применение NumPy для работы с числами в Python
Использование Seaborn для создания красивых графиков визуализации данных
Применение Pandas для манипуляции с данными в Python
Элементы Matplotlib для детальной настройки визуализаций данных в Python
Конструирование признаков (Feature Engineering) на реалистичных примерах
Алгоритмы регрессии для предсказания непрерывных переменных
Навыки подготовки данных к машинному обучению
Алгоритмы классификации для предсказания категориальных переменных
Создание портфолио проектов машинного обучения и Data Science
Работа с Scikit-Learn для применения различных алгоритмов машинного обучения
Быстрая настройка Anaconda для работ по машинному обучению
Понимание полного цикла этапов работ по машинному обучению

Аудитория

Для кого этот курс

Для всех, кто хочет начать своё путешествие в удивительный мир машинного обучения.

Содержание

Программа курса

26 занятий

№ТемаЧто внутри

01Вводная часть курса

- Добро пожаловать на курс!
- Материалы курса - ZIP-файлы для скачивания
- Установка Anaconda, Python, Jupyter Notebook
- Прочтите эту статью - Замечание о настройке среды разработки
- Настройка среды разработки
- Если мешает Anaconda Toolbox
- Часто задаваемые вопросы
- Полезные советы об интерфейсе Stepik (опционально)

02ОПЦИОНАЛЬНО: Экспресс-курс по Python

- Пару слов об экспресс-курсе
- Экспресс-курс по Python - Часть 1
- Экспресс-курс по Python - Часть 2
- Экспресс-курс по Python - Часть 3
- Проверочные упражнения по Python
- Решения для проверочных упражнений по Python

03Этапы работ по машинному обучению

- Этапы работ по машинному обучению

04NumPy

- Обзор раздела про NumPy
- Массивы NumPy
- Индексация и выбор данных из массивов NumPy
- Операции в NumPy
- Проверочные упражнения по NumPy - Часть 1
- Проверочные упражнения по NumPy - Часть 2
- Решения для проверочных упражнений по NumPy

05Pandas

- Обзор раздела про Pandas
- Series - Часть 1
- Series - Часть 2
- Датафреймы - Часть 1 - Создание датафреймов
- Датафреймы - Часть 2 - Основные атрибуты
- Датафреймы - Часть 3 - Работа с колонками
- Датафреймы - Часть 4 - Работа со строками
- Выборка данных по условию (Conditional Filtering)
- Полезные методы - Apply для одной колонки
- Полезные методы - Apply для нескольких колонок
- Полезные методы - Статистическая информация и сортировка данных
- Отсутствующие данные (missing data) - Обзор
- Отсутствующие данные (missing data) - Операции в Pandas
- Агрегация данных GROUP BY - Часть 1
- Агрегация данных GROUP BY - Часть 2 - Мульти-индекс
- Объединение датафреймов - Конкатенация
- Объединение датафреймов - Inner Merge
- Объединение датафреймов - Left и Right Merge
- Объединение датафреймов - Outer Merge
- Методы Pandas для текста
- Методы Pandas для даты и времени
- Input/Output в Pandas - CSV-файлы
- Input/Output в Pandas - HTML-таблицы
- Input/Output в Pandas - Excel-файлы
- Input/Output в Pandas - SQL базы данных
- Сводные таблицы в Pandas (pivot tables)
- Проверочные упражнения по Pandas
- Решения для проверочных упражнений по Pandas

06Matplotlib

- Обзор раздела про Matplotlib
- Основы Matplotlib
- Объект Figure - принципы работы
- Объект Figure - код в Python
- Объект Figure - код в Python
- Subplots - несколько графиков рядом друг с другом
- Стилизация Matplotlib: легенды
- Стилизация Matplotlib: цвета и стили
- Дополнительные материалы по Matplotlib
- Проверочные упражнения по Matplotlib
- Решения для проверочных упражнений по Matplotlib

07Seaborn

- Обзор раздела про Seaborn
- Scatterplots - Графики рассеяния (диаграммы рассеяния)
- Distribution Plots - Часть 1 - Типы графиков
- Distribution Plots - Часть 2 - Код в Python
- Categorical Plots - Статистики по категориям - Типы графиков
- Categorical Plots - Статистики по категориям - Код в Python
- Categorical Plots - Распределения по категориям - Типы графиков
- Categorical Plots - Распределения по категориям - Код в Python
- Графики сравнения - Типы графиков
- Графики сравнения - Код в Python
- Seaborn Grid
- Матричные графики
- Проверочные упражнения по Seaborn
- Решения для проверочных упражнений по Seaborn

08Большой Проект по Визуализации Данных

- Обзор Проекта по Визуализации Данных
- Разбор решений проекта - Часть 1
- Разбор решений проекта - Часть 2
- Разбор решений проекта - Часть 3

09Обзор Машинного Обучения

- Обзор раздела
- Зачем нужно машинное обучение
- Типы алгоритмов машинного обучения
- Процесс для обучения с учителем (supervised learning)
- (ОПЦИОНАЛЬНО) Дополнительная книга для чтения - ISLR

10Линейная Регрессия

- Обзор раздела про линейную регрессию
- Линейная регрессия - История алгоритма
- Наименьшие квадраты
- Функция стоимости (Cost Function)
- Градиентный спуск (Gradient Descent)
- Простая линейная регрессия
- Обзор Scikit-Learn
- Scikit-Learn - Train Test Split
- Scikit-Learn - оценка работы модели
- Графики остатков - Residual Plots
- Внедрение модели и интерпретация коэффициентов
- Полиномиальная регрессия - теория
- Полиномиальная регрессия - создание признаков
- Полиномиальная регрессия - обучение и оценка модели
- Дилемма смещения-дисперсии (Bias-Variance Trade-Off)
- Полиномиальная регрессия - выбираем степень полинома
- Полиномиальная регрессия - внедрение модели
- Регуляризация - обзор
- Масштабирование признаков (feature scaling)
- Кросс-валидация - обзор
- Регуляризация - подготовка данных
- L2 Регуляризация - Ридж-регрессия - теория
- L2 Регуляризация - Ридж-регрессия - код в Python
- L1 Регуляризация - Лассо-регрессия - теория и код в Python
- L1 и L2 Регуляризация - Эластичная сеть Elastic Net
- Обзор данных для проверочного проекта по линейной регрессии

11Конструирование признаков (Feature Engineering), готовим данные

- Обзор раздела - Feature Engineering
- Работа с выбросами (outliers)
- Работа с отсутствующими данными (missing data) - Часть 1
- Работа с отсутствующими данными (missing data) - Часть 2
- Работа с отсутствующими данными (missing data) - Часть 3
- Работа с категориальными переменными

12Кросс-валидация и Проверочный проект по линейной регрессии

- Обзор раздела про кросс-валидацию
- Разбиение Train | Test Split
- Разбиение Train | Validation | Test Split
- Кросс-валидация - cross_val_score
- Кросс-валидация - cross_validate
- Поиск по сетке - Grid Search
- Случайный поиск - Random Search
- Обзор проверочного проекта по линейной регрессии
- Решения для проверочного проекта по линейной регрессии

13Логистическая регрессия

- Обзор раздела про логистическую регрессию
- Теория логистической регрессии - Часть 1 - Логистическая функция
- Теория логистической регрессии - Часть 2 - От линейной к логист.
- Теория логистической регрессии - Часть 3 - Математика перехода
- Теория логистической регрессии - Часть 4 - Поиск графика
- Логистическая регрессия в Scikit-Learn - Часть 1 - EDA
- Логистическая регрессия в Scikit-Learn - Часть 2 - Модель
- Метрики классификации - Confusion Matrix и Accuracy
- Метрики классификации - Precision, Recall и F1-Score
- Метрики классификации - ROC-кривые
- Логистическая регрессия в Scikit-Learn - Часть 3 - Оценка модели
- Мульти-классовая классификация - Логистическая регрессия - EDA
- Мульти-классовая классификация - Логистическая регрессия -Модель
- Проверочный проект по логистической регрессии
- Решения для проверочного проекта по логистической регрессии

14Метод К-ближайших соседей (KNN - K-Nearest Neighbors)

- Обзор раздела про метод К-ближайших соседей
- Теория метода К-ближайших соседей
- KNN: пишем код в Python - Часть 1
- KNN: пишем код в Python - Часть 2
- Проверочные упражнения по KNN
- Решения для проверочных упражнений по KNN

15Метод опорных векторов (SVM - Support Vector Machines)

- Обзор раздела про метод опорных векторов
- История метода опорных векторов
- Теория метода опорных векторов - Гиперплоскости и зазоры
- Теория метода опорных векторов - ядра (kernels)
- Теория метода опорных векторов - "kernel trick" и математика
- SVM в Scikit-Learn для задач классификации - Часть 1
- SVM в Scikit-Learn для задач классификации - Часть 2
- SVM в Scikit-Learn для задач регрессии
- Проверочные упражнения по методу опорных векторов
- Решения для проверочных упражнений по методу опорных векторов

16Деревья решений - Decision Trees

- Обзор раздела про деревья решений
- Деревья решений - История
- Деревья решений - Терминология
- Деревья решений - метрика "Gini Impurity"
- Построение деревьев решений с помощью Gini Impurity - Часть 1
- Построение деревьев решений с помощью Gini Impurity - Часть 2
- Код в Python для деревьев решений - Часть 1 - Данные
- Код в Python для деревьев решений - Часть 2 - Модель

17Случайные леса - Random Forests

- Обзор раздела про случайные леса
- История и мотивация создания случайных лесов
- Гиперпараметры случайного леса - Обзор
- Гиперпараметры случайного леса - Количество деревьев и Признаков
- Гиперпараметры случайного леса - Bootstrapping и oob_score
- Классификация данных с помощью RandomForestClassifier - Часть 1
- Классификация данных с помощью RandomForestClassifier - Часть 2
- Регрессия с помощью RandomForestRegressor - Часть 1 - Данные
- Регрессия с помощью RandomForestRegressor - Часть 2 - Модели 1
- Регрессия с помощью RandomForestRegressor - Часть 3 - Модели 2
- Регрессия с помощью RandomForestRegressor - Часть 4 - Модели 3

18Бустинг и Расширяемые деревья - Boosted Trees

- Обзор раздела про бустинг
- История возникновения бустинга
- AdaBoost - Теория - Как работает адаптивный бустинг
- AdaBoost - Код в Python - Данные
- AdaBoost - Код в Python - Модель
- Градиентный бустинг - Теория
- Градиентный бустинг - Пишем код в Python

19Проверочный проект по моделям обучения с учителем (Supervised Le

- Обзор проверочного проекта
- Разбор решений - Часть 1 - Исследование данных (EDA)
- Разбор решений - Часть 2 - Анализ оттока (Churn Analysis)
- Разбор решений - Часть 3 - Модели на основе деревьев решений

20Natural Language Processing и Наивный Байесовский Классификатор

- Обзор раздела про NLP и Наивный Байесовский алгоритм
- Наивный Байесовский алгоритм - Часть 1 - Теорема Байеса
- Наивный Байесовский алгоритм - Часть 2 - сам алгоритм
- Извлечение признаков из текста - Теория
- Извлечение признаков из текста, "Мешок слов" - пишем код вручную
- Извлечение признаков из текста с помощью Scikit-Learn
- Классификация текста - Часть 1
- Классификация текста - Часть 2
- Проверочные упражнения по классификации текста
- Решения для проверочных упражнений по классификации текста

21Машинное обучение без учителя - Unsupervised Learning

- Обзор обучения без учителя - Unsupervised Learning

22Кластеризация К-Средних - K-Means Clustering

- Обзор раздела про кластеризацию К-средних
- Принципы кластеризации данных (без привязки к алгоритму)
- Теория кластеризации К-средних
- Кластеризация К-средних - Пишем код - Часть 1
- Кластеризация К-средних - Пишем код - Часть 2
- Выбираем количество кластеров К - Теория
- Выбираем количество кластеров К - Пишем код в Python
- Квантование цветов - Теория
- Квантование цветов - Пишем код в Python
- Проверочные упражнения по кластеризации К-средних
- Решения для проверочных упражнений - Часть 1
- Решения для проверочных упражнений - Часть 2
- Решения для проверочных упражнений - Часть 3

23Иерархическая кластеризация данных

- Обзор раздела про иерархическую кластеризацию
- Теория и интуиция иерархической кластеризации
- Иерархическая кластеризация - Пишем код, часть 1 - Данные
- Иерархическая кластеризация - Пишем код, часть 2 - Scikit-Learn

24DBSCAN - Кластеризация на основе плотности данных

- Обзор раздела про кластеризацию DBSCAN
- Теория алгоритма DBSCAN
- Сравниваем DBSCAN и K-Means Clustering
- Ключевые гиперпараметры DBSCAN - Теория
- Ключевые гиперпараметры DBSCAN - код в Python
- Проверочные упражнения по DBSCAN
- Решения для проверочных упражнений по DBSCAN

25Метод главных компонент (PCA - Principal Component Analysis)

- Обзор раздела про метод главных компонент
- Теория метода главных компонент - Часть 1 - История и интуиция
- Теория метода главных компонент - Часть 2 - Математика
- Реализация метода главных компонент вручную
- Метод главных компонент в Scikit-Learn
- Проверочные упражнения по методу главных компонент
- Решения для проверочных упражнений по методу главных компонент

26Резюме курса

- Пройдите короткий тест
- Резюме курса
- Финальные шаги

01Вводная часть курса

02ОПЦИОНАЛЬНО: Экспресс-курс по Python

03Этапы работ по машинному обучению

- Этапы работ по машинному обучению

04NumPy

05Pandas

06Matplotlib

07Seaborn

08Большой Проект по Визуализации Данных

09Обзор Машинного Обучения

10Линейная Регрессия

11Конструирование признаков (Feature Engineering), готовим данные

12Кросс-валидация и Проверочный проект по линейной регрессии

13Логистическая регрессия

14Метод К-ближайших соседей (KNN - K-Nearest Neighbors)

15Метод опорных векторов (SVM - Support Vector Machines)

16Деревья решений - Decision Trees

17Случайные леса - Random Forests

18Бустинг и Расширяемые деревья - Boosted Trees

19Проверочный проект по моделям обучения с учителем (Supervised Le

20Natural Language Processing и Наивный Байесовский Классификатор

21Машинное обучение без учителя - Unsupervised Learning

- Обзор обучения без учителя - Unsupervised Learning

22Кластеризация К-Средних - K-Means Clustering

23Иерархическая кластеризация данных

24DBSCAN - Кластеризация на основе плотности данных

25Метод главных компонент (PCA - Principal Component Analysis)

26Резюме курса

- Пройдите короткий тест
- Резюме курса
- Финальные шаги

Документ после выпуска

Сертификат Stepik

Организатор

Автор курса

Stepik

4.6Нет отзывов

Stepik — образовательная платформа и конструктор онлайн-курсов. Мы разрабатываем алгоритмы адаптивного обучения, сотрудничаем с авторами MOOC, помогаем в проведении олимпиад и программ переподготовки. Наша цель — сделать образование открытым и удобным. Stepik — широко известная российская образовательная платформа, основанная в 2013 году. На Stepik зарегистрировано более миллиона пользователей из России и стран СНГ. В настоящее время на Stepik представлены несколько тысяч учебных курсов на самые разные темы.

Подробнее об авторе

Мнения учеников