Анализ данных и машинное обучение

Статистика

Статистика

Название курса	Источник / Организация	Источник	Длина курса
Математическая статистика Выборка, описательная статистика Общие рекомендации. Моделирование Краткий обзор понятий теории вероятностей Выборка. Выборочное пространство Описательная статистика Точечные оценки, свойства и методы построения Точечные оценки и их свойства Методы построения точечных оценок Доверительные интервалы, стратифицированные выборки Стратифицированные выборки Доверительные интервалы Статистические гипотезы, параметрические критерии Лемма Неймана-Пирсона Критерии о параметрах нормального распределения Критерии о параметрах нормального и биномиального распределений Критерии однородности Параметрические критерии однородности Непараметрические критерии однородности Однофакторный дисперсионный анализ Критерии согласия, таблицы сопряжения Критерии согласия хи-квадрат и Колмогорова Критерии нормальности Таблицы сопряженности Регрессионный анализ Множественная линейная регрессия Анализ остатков, корреляционный анализ	Stepik / CSC	Старшая школа и студенты	11 часов видео, 200 тестов
Анализ данных: часть 1. Введение в данные Основы теории вероятностей Основы статистического анализа выборочных данных Графический анализ данных Формирование выборок и подготовка данных Практические задания	Coursera / НГУ	Старшая школа и студенты	9 часов на выполнение
Анализ данных: часть 2. Исследование статистических взаимосвязей Введение в статистические критерии Критерии согласия Поиск взаимосвязей в данных и оценка их статистической значимости Линейная регрессия Итоговое задание	Coursera / НГУ	Старшая школа и студенты	8 часов на выполнение
Анализ данных: часть 3. Сравнение и создание групп Одновыборочные и двухвыборочные критерии Сравнение нескольких выборок Введение в кластерный анализ Итерационные методы кластерного анализа Итоговое задание	Coursera / НГУ	Старшая школа и студенты	7 часов на выполнение
Анализ данных: часть 4. Тренды и классификации Анализ временных рядов Прогноз временных рядов Факторный анализ Классификация Итоговое задание	Coursera / НГУ	Старшая школа и студенты	5 часов на выполнение
Основы статистики.1 Введение Генеральная совокупность и выборка Нормальное распределение Центральная предельная теорема Идея статистического вывода, p-уровень значимости Сравнение средних T-распределение Проверка распределения на нормальность, QQ-Plot Однофакторный дисперсионный анализ ANOVA Корреляция и регрессия Корреляция Регрессия Гипотеза о значимости взаимосвязи и коэффициент детерминации Регрессионный анализ Классификация: логистическая регрессия и кластерный анализ	Stepik / Институт Биоинформатики	Старшая школа и студенты	4 часа видео, 100 тестов
Основы статистики.2 Анализ номинативных данных Распределение Хи-квадрат Пирсона Анализ таблиц сопряженности Точный критерий Фишера Практические задания на R Логистическая регрессия и непараметрические методы Логистическая регрессия: модели без предикторов и с предикторами Взаимодействие номинативных предикторов Непараметрический анализ Кластерный анализ и метод главных компонент Кластерный анализ методом k - средних Может ли кластерный анализ ""ошибаться""? Иерархическая кластеризация Введение в метод анализа главных компонент Практические задания на R	Stepik / Институт Биоинформатики	Старшая школа и студенты	6 часов видео, 100 тестов
Основы статистики.3 подробнее о линейной регрессии Линейная регрессия, линейность взаимосвязи Логарифмическая трансформация переменных Проблема гетероскедастичности Мультиколлинеарность Практические задания на R Смешанные регрессионные модели Нарушение допущения о независимости наблюдений Смешанные регрессионные модели. Реализация в R Статистическая значимость, обобщённые модели и случайные эффекты Практические задания на R Bootstrap Складной нож (jackknife) Bootstrap Практические задания на R	Stepik / Институт Биоинформатики	Старшая школа и студенты	4 часа видео, 50 тестов
Просто о статистике с R: часть 1. Знакомство с R и базовая статистика Знакомство с R Работа с данными Графики с использованием ggplot2 Описательная статистика Тестирование гипотез	Coursera / СПБГУ	Старшая школа и студенты	36 часов на выполнение
Просто о статистике с R: часть 2. Линейная регрессия Корреляционный анализ. Простая линейная регрессия Проверка значимости и валидности линейных моделей Краткое введение в мир линейной алгебры Множественная линейная регрессия Сравнение линейных моделей	Coursera / СПБГУ	Старшая школа и студенты	34 часов на выполнение
Просто о статистике с R: часть 3. Линейные модели с дискретными предикторами Модели с дискретными и непрерывными предикторами Модели с разными значениями угла наклона для групп Однофакторный дисперсионный анализ Многофакторный дисперсионный анализ	Coursera / СПБГУ	Старшая школа и студенты	22 часов на выполнение
Просто о статистике с R: часть 4. Обобщенные линейные модели Знакомство с обобщенными линейными моделями Проблема выбора модели Обобщенные линейные модели для счетных данных Обобщенные линейные модели с бинарным откликом	Coursera / СПБГУ	Старшая школа и студенты	17 часов на выполнение
Просто о статистике с R: часть 5. Смешанные линейные модели Знакомство со смешанными линейными моделями Моделирование структуры дисперсии в смешанных моделях Смешанные линейные модели для счетных данных Смешанные линейные модели для бинарных данных	Coursera / СПБГУ	Старшая школа и студенты	17 часов на выполнение

BigData

Big Data

Название курса	Источник / Организация	Источник	Длина курса
Управление вычислениями контейнеризация и Docker Знакомство с Docker Работа с файлами в контейнерах Docker Взаимодействие контейнеров Docker Работа с образами Docker Технологические основы и роль контейнеризации Workflows и Pipelines Работа с данными и пайплайны Инструменты пайплайнинга и подходы к описанию пайплайнов Snakemake: имплицитное описание графа анализа, создание пайплайнов Common workflow language Знакомство с CWL Описание инструментов с использованием CWL CWL: полезные компоненты, создание пайплайнов	Stepik / Институт Биоинформатики	Старшая школа и студенты	2 часа видео, 50 тестов
Hadoop. Система для обработки больших объемов данных Введение Что такое Hadoop? Распределенная файловая система HDFS Архитектура HDFS Shell-команды Java API MapReduce Парадигма MapReduce, фреймворк Java API Hadoop Streaming Алгоритмы на MapReduce Реляционные функции Расчет TF-IDF алгоритмы на графах в MapReduce Графы в MapReduce Поиск кратчайшего пути в графе PageRank Проблемы MR-алгоритмов на графах Pig и Hive Pig, основные операторы PigLatin Hive Pig vs Hive NoSQL базы данных HBase и Cassandra Способы хранения данных, NoSQL HBase Cassandra Spark Основные понятия Spark, операторы, фреймворк Yarn.MapReduce2.0 Что такое YARN? Компоненты YARN MapReduce 2.0	Stepik / mail.ru	Старшая школа и студенты	12 часов видео, 250 тестов

Machine learning

Machine learning

Название курса	Источник / Организация	Источник	Длина курса
Введение в Datascience и машинное обучение 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	Stepik / Институт Биоинформатики	Старшая школа и студенты	9 часов видео, 100 заданий
Введение в науку о данных Введение Математический инструментарий науки о данных Программный инструментарий науки о данных Машинное обучение: обучение с учителем Машинное обучение: обучение без учителя	Coursera / СПБГУ	Старшая школа и студенты	17 часов на выполнение
Введение в машинное обучение 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	Coursera / Яндекс и ВШЭ	Старшая школа и студенты	35 часов на выполнение
Машинное обучение и анализ данных: часть 1. Математика и Python для анализа данных Введение Библиотеки Python и линейная алгебра Оптимизация и матричные разложения Случайность	Coursera / МФТИ и Яндекс	Старшая школа и студенты	29 часов на выполнение
Машинное обучение и анализ данных: часть 2. Обучение на размеченных данных 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	Coursera / МФТИ и Яндекс	Старшая школа и студенты	43 часа на выполнение
Машинное обучение и анализ данных: часть 3. Поиск структуры в данных Кластеризация Понижение размерности и матричные разложения Визуализация и поиск аномалий Тематическое моделирование	Coursera / МФТИ и Яндекс	Старшая школа и студенты	25 часов на выполнение
Машинное обучение и анализ данных: часть 4. Построение выводов по данным Интервалы и гипотезы АБ-тестирование Закономерности и зависимости Неделя задач	Coursera / МФТИ и Яндекс	Старшая школа и студенты	39 часов на выполнение
Машинное обучение и анализ данных: часть 5. Прикладные задачи анализа данных Бизнес-задачи Анализ медиа Анализ текстов Рекомендации и ранжирование	Coursera / МФТИ и Яндекс	Старшая школа и студенты	26 часов на выполнение
Машинное обучение и анализ данных: часть 6. Анализ данных: финальный проект	Coursera / МФТИ и Яндекс	Старшая школа и студенты	26 часов на выполнение
Нейронные сети 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	Stepik / Институт Биоинформатики	Старшая школа и студенты	6 часов, 100 тестов
Машинное обучение 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	Stepik / ОмГТУ	Старшая школа и студенты	7 часов видео, 50 тестов