556
правок
Изменения
Перейти к навигации
Перейти к поиску
Анализ данных и машинное обучение (просмотреть исходный код)
Версия 23:38, 23 марта 2020
, 23:38, 23 марта 2020→Machine learning
==Machine learning==
<!-- ****************************** -->
<!-- Table Format - do not touch -->
{| class="a" style="width:100%;" border="1" style="width:100%; border-collapse:collapse"|+
<!-- Table name -->
'''Machine learning'''
<!-- Table headers - do not touch -->
! style="background: #EAECF0;"| Название курса||style="background: #EAECF0;"|Источник / Организация||style="background: #EAECF0;"|Источник||style="background: #EAECF0;"|Длина курса
<!-- ****************************** -->
<!-- Course 1 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://stepik.org/course/4852/promo Введение в Datascience и машинное обучение]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
'''Введение'''
* Биг дэйта, дип машин лернинг, основные понятия
* Модель, нет, не супермодель, начнем с дерева
* Фильтрация данных
* Группировка и агрегация, ничего, скоро привыкнем
* Визуализация, seaborn, почти также круто, как ggplot2
'''решающие деревья'''
* Какого музыканта Beatles я загадал или entropy reduction
* Titanic: Machine Learning from Disaster
* Обучение, переобучение, недообучение и кросвалидация
* Последний джедай или метрики качества модели
* Подбор параметров и ROC and Roll
* Практика, Scikit-learn, fit, predict, you are awesome
'''Random forest, нейронные сети'''
* Снова возвращаемся к деревьям
* Random forest
* Зачем знать что-то еще, если есть Random Forest?
* Секретный гость
* И на Марсе будут яблони цвести
* Бонусный урок - нейроэволюция
* Бонусный урок - трюки в Pandas
'''Stepik ML contest'''
* Stepik ML contest
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Stepik]] / [[Институт Биоинформатики]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
9 часов видео, 100 заданий
<!-- ****************************** -->
<!-- Course 2 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/vvedeniye-v-nauku-o-dannykh Введение в науку о данных]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Введение
* Математический инструментарий науки о данных
* Программный инструментарий науки о данных
* Машинное обучение: обучение с учителем
* Машинное обучение: обучение без учителя
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[СПБГУ]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
17 часов на выполнение
<!-- ****************************** -->
<!-- Course 3 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/vvedenie-mashinnoe-obuchenie Введение в машинное обучение]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Знакомство с анализом данных и машинным обучением
* Логические методы классификации
* Метрические методы классификации
* Линейные методы классификации
* Метод опорных векторов и логистическая регрессия
* Метрики качества классификации
* Линейная регрессия
* Понижение размерности и метод главных компонент
* Композиции алгоритмов
* Нейронные сети
* Кластеризация и визуализация
* Частичное обучение
* Машинное обучение в прикладных задачах
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[Яндекс]] и [[ВШЭ]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
35 часов на выполнение
<!-- ****************************** -->
<!-- Course 4 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/mathematics-and-python Машинное обучение и анализ данных: часть 1. Математика и Python для анализа данных]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Введение
* Библиотеки Python и линейная алгебра
* Оптимизация и матричные разложения
* Случайность
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[МФТИ]] и [[Яндекс]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
29 часов на выполнение
<!-- ****************************** -->
<!-- Course 5 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/supervised-learning Машинное обучение и анализ данных: часть 2. Обучение на размеченных данных]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Машинное обучение и линейные модели
* Борьба с переобучением и оценивание качества
* Линейные модели: классификация и практические аспекты
* Решающие деревья и композиции алгоритмов
* Нейронные сети и обзор методов
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[МФТИ]] и [[Яндекс]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
43 часа на выполнение
<!-- ****************************** -->
<!-- Course 6 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/unsupervised-learning Машинное обучение и анализ данных: часть 3. Поиск структуры в данных]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Кластеризация
* Понижение размерности и матричные разложения
* Визуализация и поиск аномалий
* Тематическое моделирование
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[МФТИ]] и [[Яндекс]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
25 часов на выполнение
<!-- ****************************** -->
<!-- Course 7 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/stats-for-data-analysis Машинное обучение и анализ данных: часть 4. Построение выводов по данным]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Интервалы и гипотезы
* АБ-тестирование
* Закономерности и зависимости
* Неделя задач
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[МФТИ]] и [[Яндекс]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
39 часов на выполнение
<!-- ****************************** -->
<!-- Course 8 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/data-analysis-applications Машинное обучение и анализ данных: часть 5. Прикладные задачи анализа данных]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Бизнес-задачи
* Анализ медиа
* Анализ текстов
* Рекомендации и ранжирование
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[МФТИ]] и [[Яндекс]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
26 часов на выполнение
<!-- ****************************** -->
<!-- Course 9 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://ru.coursera.org/learn/data-analysis-project Машинное обучение и анализ данных: часть 6. Анализ данных: финальный проект]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
*
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Coursera]] / [[МФТИ]] и [[Яндекс]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
26 часов на выполнение
<!-- ****************************** -->
<!-- Course 10 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://stepik.org/course/401/promo Нейронные сети]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
'''Основы линейной алгебры'''
* Опциональный ликбез по линейной алгебре: векторы, матрицы
* NumPy: основы
* Линейная алгебра в деле
'''Перцептрон и градиентный спуск'''
* Нейроны: настоящие и искусственные
* Перцептрон, больше искусственных нейронов!
* Градиентный спуск
* Однослойные модели
'''Алгоритм обратного распространения ошибки'''
* Многослойный перцептрон
* Алгоритм обратного распространения ошибки
* Целевые функции
'''Мониторинг состояния сети'''
* Мониторинг состояния сети
* Визуализация
'''Проект по нейронной сети для управления автомобилем'''
* Проект
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Stepik]] / [[Институт Биоинформатики]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
6 часов, 100 тестов
<!-- ****************************** -->
<!-- Course 11 -->
|-
|
<!-- Course format do not touch -->
{| role="presentation" class="a mw-collapsible mw-collapsed" style="border:1px solid white;"
| style="border:1px solid white;"|<strong>[https://stepik.org/course/8057/promo Машинное обучение]</strong>
|-
<!-- Course content format do not touch -->
| style="border:1px solid white;"|
<!-- Course content -->
* Введение в машинное обучение и основные понятия статистики
* Восстановление пропущенных значений
* Поиск выбросов и аномалий
* Кластеризация
* Задача предсказания, линейная регрессия
* Классификация, kNN, кросс-валидация
* Деревья в машинном обучении
* Линейные классификаторы
* Вероятностные алгоритмы. Наивный Байес
* Ансамбли алгоритмов
* Отбор признаков (feature selection) и объектов
|}
<!-- Formating do not touch -->
|style="text-align:center;"|
[[Stepik]] / [[ОмГТУ]]
|style="text-align:center;"|
[[Материалы для старшей школы и студентов| Старшая школа и студенты]]
|style="text-align:center;"|
7 часов видео, 50 тестов
<!-- ****************************** -->
<!-- Table ending - do not touch -->
|}
<!-- ****************************** -->
==Применения ML==
