Программа обучения
1 модуль: Основы программирования на языке Python
Урок 1 Работа с данными и математическимие операциямии в Python
Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python.
- Устанавливаем программы для прохождения курса
- Управляем вводом и выводом данных в первой программе по Python
Урок 2 Основные конструкции языка Python
Создаём алгоритмы и осваиваем основные компоненты компьютерной программы.
- Изучаем условия if, elif, else
- Изучаем циклы for, while
- Тренируемся программировать на Python и создаём программу с базовыми алгоритмами
Урок 3 Структуры данных в Python
Изучаем принципы работы с данными.
- Узнаём, как работают данные, списки, словари и файлы
- Знакомимся с датасетом — набором данных. Учимся его обрабатывать с помощью простейших операций
- Занимаемся вводом и выводом данных
Урок 4 Функции в Python
Изучаем, как работать с функциями.
- Узнаём, как создавать функции и передавать параметры
- Изучаем глобальные и локальные переменные
- Добавляем полезные функции к датасету из третьего урока
2 модуль: Numpy и Pandas — инструменты, которые помогают получать данные
Урок 5 Pandas. Установка. Учимся работать с данными и таблицами
Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных.
- Получаем датасет с числовыми метриками
- Устанавливаем Pandas, изучаем базовые команды и учимся работать с таблицами
- Обрабатываем датасет с помощью Pandas: загружаем и выгружаем данные
Урок 6 Pandas. Основные функции
После того, как мы загрузили датасет, начинаем осваивать базовые функции.
- Узнаём, как работают различные функции Pandas: подсчет, создание категорий выборок датасета и др
- Учимся применять функции из предыдущего урока на нашем датасете
Урок 7 Numpy: улучшение математического аппарата
Изучаем основы линейной алгебры и знакомимся с видами машинного обучения.
- Узнаём потенциал Numpy для работы с машинным обучением
- Тренируемся работать с операциями высшей математики с помощью библиотеку Numpy
Урок 8 Numpy: машинное обучение без учителя
Узнаём, что такое обучение без учителя.
- Строим классическую модель обучения без учителя в Numpy
- Строим первую модель предсказания в библиотеке Numpy
3 модуль: Работа с машинным обучением
Урок 9 Обучение с учителем. Ближайшие соседи
Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку.
- Осваиваем базовые принципы машинного обучения
- Придумываем и реализовываем простой алгоритм
- Возьмём классификатор на датасете
Урок 10 Градиентный спуск
Знакомимся с методом градиентного спуска, чтобы оценивать качество работы нейронной сети.
- Оцениваем качество алгоритма машинного обучения, функция ошибки
- Узнаём, как производные и градиентный спуск помогают уменьшать ошибки алгоритма
- Закрепляем метод градиентного спуска для переменных
Урок 11 Линейная регрессия
Прогнозируем значение переменных по заранее известным данным.
- Определяем задачи регрессии, чтобы прогнозировать стоимость домов
- Наглядно визуализируем данные с помощью матрицы корреляций
- Учимся измерять качество регрессии, чтобы проверить наши предположения
- Применяем метод градиентного спуска, чтобы найти минимум средней квадратической ошибки
Урок 12 Логистическая регрессия
Прогнозируем результаты с помощью логистических функций.
- Узнаём, что такое логистическая функция, какие у нее свойства и преимущества
- Применяем метод градиентного спуска для логистической регрессии, чтобы определять стоимость домов
Урок 13 Работаем с базовой нейронной сетью
Узнаём о преимуществах и недостатках нейронных сетей.
- Сравниваем устройство нейронных сетей с нервной системой человека
- Разбираем готовую нейронную сеть, выбираем количество слоёв и нейронов
- Запускаем нейронную сеть, чтобы распознавать рукописные цифры
Презентация проектов
Урок 14 Выпускной урок
Настраиваем нейронную сеть и подводим итоги.
- Узнаём, как оптимизировать нейронные сети
- Соревнуемся: строим свою нейронную сеть
- Подводим итоги курса