У цьому курсі ви будете програмувати на Python, використовуючи найпопулярніші інструменти та бібліотеки Data Science і ви дізнаєтесь, як використовувати його для розширеного статистичного аналізу, попередньої обробки та трансформації даних, розробки візуалізацій даних і розробки прогнозних моделей для вирішення різноманітних проблем.
У курсі є практичні вправи для кожного модуля (з безпосереднім застосуванням у банківській справі), тому ви не тільки вивчите теорію, але й впораєтеся з практичним боком побудови власних моделей, які потім можете використовувати як відправні точки для побудови власні проекти.
Ви також дізнаєтеся, як покращити моделі, розроблені за допомогою алгоритмів машинного навчання, заглибившись у концепції високого зміщення (недостатності), високої дисперсії (переобладнання), перехресної перевірки та як гіперпараметри можуть покращити продуктивність моделей ( налаштування гіперпараметрів ).
- Визначення штучного інтелекту та машинного навчання, розуміння їх значення та застосування в різних сферах.
- Визначте різні типи машинного навчання, такі як контрольоване, неконтрольоване та навчання з підкріпленням, і зрозумійте їх конкретні випадки використання.
- Розуміння життєвого циклу моделі та основних етапів створення моделі машинного навчання від збору даних до розгортання.
- Виконання дослідницького аналізу даних (EDA), щоб отримати уявлення про набір даних, визначити закономірності та зрозуміти взаємозв’язки між змінними.
- Знання методів попередньої обробки даних для очищення та підготовки даних для алгоритмів машинного навчання, включаючи обробку відсутніх значень і обробку викидів.
- Вивчення різних алгоритмів машинного навчання, які використовуються для класифікації, регресії, кластеризації та інших, розуміння їх сильних і слабких сторін.
- Впровадження практичного прикладу навчання під наглядом для класифікації кредитів для прогнозування дефолтів, отримання практичного досвіду побудови прогнозної моделі.
- Володіння технікою розробки функцій, включаючи обробку відсутніх значень, обробку викидів, звернення до розріджених категорій і обробку категоріальних змінних для машинного навчання.
- Розуміння важливості вибору функцій для покращення продуктивності моделі та зменшення складності, вивчення методів фільтрації, методів вбудовування та методів упаковки.
- Отримайте уявлення про важливість зменшення розмірності для моделювання та визначте відповідні методи досягнення зменшення розмірності.
- Застосування методів фільтрації (наприклад, базисних наборів, кореляції, статистичних вимірювань) для вибору ознак, розуміння того, як вони впливають на продуктивність моделі.
- Реалізація вбудованих методів (наприклад, Lasso, Random Forest) для автоматичного вибору ознак під час процесу навчання моделі.
- Вивчення агностичних методів, таких як рекурсивне усунення ознак (RFE), для повторного вибору найважливіших функцій для моделювання.
- Розвивайте практичні навички програмування на Python для машинного навчання, використовуючи такі популярні бібліотеки, як NumPy, Pandas, Scikit-learn та інші.
- Базові знання програмування на Python.
- Основи лінійної алгебри та диференціального числення.
- Розуміння фундаментальних понять статистики та ймовірності.
- Що таке штучний інтелект і машинне навчання?
- Типи машинного навчання
- Життєвий цикл моделі: етапи створення моделі
- Пошуковий аналіз даних
- Попередня обробка даних
- Алгоритми машинного навчання
- Практичний приклад навчання під наглядом: класифікація кредиту для прогнозування дефолту
- Особливість інженерії:
- Методи обробки відсутніх значень
- Лікування екстремальних величин
- Лікування рідкісних категорій
- Кілька методів обробки категоріальних змінних
- Методи обробки та перетворення даних, необхідні для основних груп алгоритмів машинного навчання
- Вибір функцій (методи фільтрів, вбудовані методи, методи оболонки)
- Важливість зменшення розмірного простору для моделювання
- Застосування методів фільтрації (ядра, кореляція, статистичні заходи)
- Застосування вбудованих методів (lasso, random forrest тощо)
- Застосовувати агностичні методи (RFE)
Наразі рекомендацій немає.
Після цього курсу ви отримаєте сертифікат про проходження.
