Математика и Machine Learning для Data Science

Программа курса по математике

Часть 1 Линейная алгебра

• Изучаем вектора и виды матриц
• Учимся проводить операции над матрицами
• Определяем линейную зависимость с помощью матриц
• Изучаем обратные, вырожденные и невырожденные матрицы
• Изучаем системы линейных уравнений, собственные и комплексные числа
• Осваиваем матричное и сингулярное разложение
• Решаем задачи линейной зависимости с помощью матриц
• Оптимизируем с помощью метода главных компонент
• Закрепляем математические основы линейной регрессии

Часть 2 Основы матанализа

• Изучаем функции одной и многих переменных и производные
• Осваиваем понятие градиента и градиентного спуска
• Тренируемся в задачах оптимизации
• Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
• Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
• Закрепляем математические основы градиентного спуска и имитации отжига

Часть 3 Основы теории вероятности и статистики

• Изучаем общие понятия описательной и математической статистики
• Осваиваем комбинаторику
• Изучаем основные типы распределений и корреляции
• Разбираемся в теореме Байеса
• Изучаем наивный байесовский классификатор
• Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теории вероятности
• Закрепляем математические основы классификации и логистической регрессии

Часть 4 Временные ряды и прочие математические методы

• Знакомимся с анализом временных рядов
• Осваиваем более сложные типы регрессий
• Прогнозируем бюджет с помощью временных рядов
• Закрепляем математические основы классических моделей машинного обучения

Краткая программа курса по Machine Learning

Помощь наставника на протяжении обучения
Модуль 1 Введение в машинное обучение

• Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
• Решаем 50+ задач на закрепление темы

Модуль 2 Методы предобработки данных

• Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
• Решаем 60+ задач на закрепление темы

Модуль 3 Регрессия

• Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
• Решаем 40+ задач на закрепление темы

Модуль 4 Кластеризация

• Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
• Решаем 50+ задач на закрепление темы

Модуль 5 Tree-based алгоритмы: введение в деревья

• Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
• Решаем 40+ задач на закрепление темы

Модуль 6 Tree-based алгоритмы: ансамбли

• Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
• Решаем 40+ задач на закрепление темы
• Участвуем в соревновании на kaggle по обучению tree-based модели

Модуль 7 Оценка качества алгоритмов

• Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
• Оцениваем качество нескольких моделей ML
• Решаем 40+ задач на закрепление темы

Модуль 8 Временные ряды в машинном обучении

• Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
• Решаем 50+ задач на закрепление темы

Модуль 9 Рекомендательные системы

• Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
• Решаем 50+ задач на закрепление темы

Модуль 10 Финальный хакатон

• Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle