Machine Learning Junior

Освоите задачи Data Scientist, работу с признаками и матрицей объектов-признаков.

Познакомитесь с регрессией, классификацией, оценкой качества и переобучением моделей.

Овладеете навыками работы с SQL, подзапросами, очисткой данных и комбинированием функций.

Научитесь линейной регрессии, весам признаков, решению через матрицы и использованию библиотеки sklearn.

Узнаете, как определить оптимальные параметры регуляризации для уменьшения ошибки модели.

Освоите метод ближайших соседей, минимизацию времени обучения, матрицы ошибок, F-меру через sklearn.

Овладеете библиотекой numpy для работы с векторами и матрицами.

Узнаете, как построить логистическую регрессию, алгоритм стохастического градиентного спуска.

Освоите алгоритмы для классификации, решение проблем неразделимости и несбалансированных классов.

Поймёте преимущества решающих деревьев, оценку через энтропию, ROC AUC, Information gain и Gini Impurity.

Узнаете, как применять случайный лес и улучшить модель через кросс-валидацию и GridSearch.

Научитесь подготавливать данные: обнаружение и удаление выбросов, нормализация, кодирование категориальных переменных.

Научитесь решать задачу кластеризации через метод k-means с различными метриками.

Поймёте выбор числа кластеров, статистическое описание и визуализацию кластеров через TSNE.

Научитесь использовать алгоритм DBSCAN для разных видов кластеров.

Научитесь бороться с несбалансированными данными через Upsempling, Downsempling, взвешивание классов и оценку StratifiedKFold.

Изучите нейросети, сможете написать обучение одноуровневой нейронной сети на PyTorch.

Освоите методы обработки текстов, использование регулярных выражений, представление текста в виде вектора.

Освоите процесс участия в соревнованиях Kaggle и подготовку к ним.

Познакомитесь с Hadoop, Hive, MapReduce, Oozie для работы с большими данными и создания пайплайнов.