Цей курс — частина програми EU магістратури Neoversity, спеціалізація Data Science & Data Analytics.
Ознайомитись з повною магістерською програмою Data Science & Data Analytics та дізнатись більше про онлайн-навчання для IT-фахівців можна тут.
Володимир Голомб : : LinkedIn : : Medium : : GitHub
125 годин, 14 занять, 8 тижнів, 5 практичних ДЗ, 2 дослідницьких ДЗ, 1 фінальний проєкт (у форматі Kaggle змагання).
| # | Модуль / Тиждень | # | Тема | URL |
|---|---|---|---|---|
| 1 | Машинне навчання і аналіз даних | 1 | Основні концепції машинного навчання | |
| 2 | Дослідницький аналіз даних (EDA) | практика | ||
| 2 | Алгоритми навчання з вчителем Ч.1 | 3 | Лінійна регресія. Оцінка якості регресії | практика |
| 4 | Вступ до прогнозування часових рядів | практика | ||
| 3 | Алгоритми навчання з вчителем Ч.2 | 5 | Логістична регресія. Оцінка якості класифікації | практика |
| 6 | Дерева рішень. Важливість ознак в моделі | практика | ||
| 4 | Алгоритми навчання з вчителем Ч.3 | 7 | Байєсівська класифікація. Метод kNN | практика |
| 8 | Метод опорних векторів (SVM) | практика | ||
| 5 | Підходи до покращення якості | 9 | Методи ансамблювання моделей | практика |
| 10 | Вступ до генерації ознак. Відбір ознак | практика | ||
| 6 | Алгоритми навчання без вчителя | 11 | Зменшення розмірності даних. Метод PCA | практика |
| 12 | Метод k-means. Ієрархічний кластерний аналіз | практика | ||
| 7 | Організація потоку робочих процесів | 13 | Вступ до побудови ML-конвеєрів. Крос-валідація | практика |
| 14 | Вступ до MLOps. Підбір гіперпараметрів моделі | практика |
# Python Version: 3.11.9
conda env create -f requirements_conda.yml
# alternative (outdated)
# pip install -r requirements_pip.txt- CPU: 4+ cores
- RAM: 8+ GB
- GPU: not required
- OS: Windows 64-bit