Карьерные перспективы
Подготовка к олимпиадам по программированию
Увлекательное обучение
За 3 месяца ребята научатся работать с математическими операциями, собирать датасеты и создавать алгоритмы машинного обучения. Они также запустят предобученную нейронную сеть, чтобы распознавать верные и ложные данные.
Кому подойдёт этот курс
Тем кто интересуются
искусственным интеллектом
Тем кто уже умеет программировать
и интересуются языком Python
Те кто хотят разобраться
в машинном обучении и нейронных сетях
Содержание курса
1 модуль: Основы программирования на языке 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
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
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
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
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
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
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
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
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
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
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
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
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
Настраиваем нейронную сеть и подводим итоги.
Узнаём, как оптимизировать нейронные сети
Соревнуемся: строим свою нейронную сеть
Подводим итоги курса
Будьте первым кто оставит отзыв.
Оставить отзыв можно только с предоставлением сертификата о прохождении курса.
Похожие курсы
