Acerca de este Curso

122,317 vistas recientes

Resultados profesionales del estudiante

32%

comenzó una nueva carrera después de completar estos cursos

48%

consiguió un beneficio tangible en su carrera profesional gracias a este curso

42%

consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel intermedio
Aprox. 58 horas para completar
Ruso (Russian)

Habilidades que obtendrás

Random ForestPython ProgrammingMachine LearningSupervised Learning

Resultados profesionales del estudiante

32%

comenzó una nueva carrera después de completar estos cursos

48%

consiguió un beneficio tangible en su carrera profesional gracias a este curso

42%

consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel intermedio
Aprox. 58 horas para completar
Ruso (Russian)

ofrecido por

Placeholder

Instituto de Física y Tecnología de Moscú

Placeholder

Yandex

Placeholder

E-Learning Development Fund

Programa - Qué aprenderás en este curso

Calificación del contenidoThumbs Up88%(36,483 calificaciones)Info
Semana
1

Semana 1

10 horas para completar

Машинное обучение и линейные модели

10 horas para completar
13 videos (Total 82 minutos), 8 lecturas, 8 cuestionarios
13 videos
Как устроена специализация, и зачем ее проходить3m
МФТИ1m
Знакомство с машинным обучением11m
Обучение на размеченных данных5m
Обучение без учителя5m
Признаки в машинном обучении8m
Линейные модели в задачах регрессии9m
Обучение линейной регрессии6m
Градиентный спуск для линейной регрессии7m
Стохастический градиентный спуск4m
Линейная классификация6m
Функции потерь в задачах классификации6m
8 lecturas
Формат специализации и получение сертификата10m
Немного о Yandex10m
МФТИ10m
Forum&Chat10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
6 ejercicios de práctica
Основные термины в машинном обучении30m
Типы задач в машинном обучении30m
Машинное обучение: задачи и признаки30m
Линейная регрессия30m
Градиентный спуск30m
Линейные модели30m
Semana
2

Semana 2

11 horas para completar

Борьба с переобучением и оценивание качества

11 horas para completar
14 videos (Total 126 minutos), 9 lecturas, 8 cuestionarios
14 videos
Регуляризация7m
Оценивание качества алгоритмов7m
Сравнение алгоритмов и выбор гиперпараметров4m
Метрики качества в задачах регрессии10m
Метрики качества классификации4m
Точность и полнота8m
Объединение точности и полноты5m
Качество оценок принадлежности классу12m
Встроенные датасеты. Sklearn.datasets15m
Кросс-валидация. Sklearn.cross_validation9m
Линейные модели. Sklearn.linear_model. Классификация10m
Линейные модели. Sklearn.linear_model. Регрессия7m
Метрики качества. Sklearn.metrics13m
9 lecturas
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Встроенные датасеты. Sklearn.datasets (ipython notebook)10m
Кросс-валидация. Sklearn.cross_validation (ipython notebook)10m
Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)10m
Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)10m
Метрики качества. Sklearn.metrics (ipython notebook)10m
6 ejercicios de práctica
Проблема переобучения30m
Проблема переобучения и борьба с ней30m
Как измерить качество алгоритма?30m
Метрики качества30m
Встроенные датасеты и кросс-валидация30m
Введение в scikit-learn30m
Semana
3

Semana 3

9 horas para completar

Линейные модели: классификация и практические аспекты

9 horas para completar
14 videos (Total 97 minutos), 7 lecturas, 7 cuestionarios
14 videos
Метод максимального правдоподобия4m
Регрессия как максимизация правдоподобия2m
Регрессия как оценка среднего4m
Регуляризация8m
Задача оценивания вероятностей и логистическая регрессия8m
Масштабирование признаков6m
Спрямляющие пространства5m
Работа с категориальными признаками4m
Несбалансированные данные5m
Многоклассовая классификация4m
Подбор параметров по сетке. Sklearn.grid_search9m
Задача: bike sharing demand15m
Задача: bike sharing demand. Продолжение13m
7 lecturas
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)10m
Задача Bike Sharing Demand (ipython notebook)10m
Задача Bike Sharing Demand. Продолжение (ipython notebook)10m
6 ejercicios de práctica
Метод максимального правдоподобия30m
Линейные модели: статистический взгляд30m
Линейные модели: подготовка признаков30m
Линейные модели: практические аспекты30m
Подбор параметров по сетке30m
Анализ данных в scikit-learn30m
Semana
4

Semana 4

13 horas para completar

Решающие деревья и композиции алгоритмов

13 horas para completar
17 videos (Total 114 minutos), 10 lecturas, 8 cuestionarios
17 videos
Обучение решающих деревьев6m
Критерии информативности7m
Критерии останова и стрижка деревьев4m
Решающие деревья и категориальные признаки8m
Решающие деревья в sklearn10m
Композиции деревьев6m
Смещение и разброс9m
Случайные леса6m
Трюки со случайными лесами4m
Случайные леса в sklearn7m
Композиции простых алгоритмов5m
Градиентный бустинг7m
Борьба с переобучением в градиентном бустинге6m
Градиентный бустинг для регрессии и классификации4m
Градиентный бустинг над решающими деревьями5m
Градиентный бустинг в XGBoost5m
10 lecturas
Решающие деревья в sklearn (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
Случайные леса в sklearn (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
XGBoost10m
Градиентный бустинг в XGBoost (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
6 ejercicios de práctica
Построение решающих деревьев30m
Решающие деревья30m
Бэггинг30m
Композиции и случайные леса30m
Обучение композиций и градиентный бустинг30m
Градиентный бустинг: обучение и практические аспекты30m

Reseñas

Principales reseñas sobre ОБУЧЕНИЕ НА РАЗМЕЧЕННЫХ ДАННЫХ

Ver todas las reseñas

Acerca de Programa especializado: Машинное обучение и анализ данных

Машинное обучение и анализ данных

Preguntas Frecuentes

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.