Этот репозиторий содержит лекции, слайды, ноутбуки и выполненные домашние задания "Машинное обучение" от Тинькофф. Курсы хорошие, дают вполне понятные общие сведения о анализе данных и классическом машинном обучении. Я его завершил на 97/100 с учётом очной сдачи коллоквиума, благодаря чему получил автопроход на курс Глубокое обучение(порог 77).
Курс состоит из 10 блоков:
- Python. Оценён в 9/10 баллов.
- Теория вероятностей. Оценён в 10/10 баллов.
- Статистика. Оценён в 9/10 баллов.
- Градиентный спуск. Оценён в 10/10 баллов.
- Регрессия. Оценён в 10/10 баллов.
- Обучение без учителя. Оценён в 7/10 баллов.
- Дерево решений. Оценён в 10/10 баллов.
- Ансамбли. Оценён в 10/10 баллов.
- Feature Engineering. Не было дз.
- Машинное обучение: финальная лабораторная работа. Оценена в 20/20 баллов.
Познакомим с классическим машинным обучением Изучим классические алгоритмы — от линейной регрессии до деревьев и ансамблей Расскажем не только теорию, но и покажем ее применение в реальных задачах
- Основы проверки гипотез
- Основы оптимизаций
- numpy
- pandas
- matplotlib
- scipy
- sklearn
- CatBoost, XGBoost, LGBM
- Классификация и регрессия
- Обучение без учителя
- Предобработка данных, извлечение признаков
- Проведение исследований данных (EDA)
Занятия проходят онлайн в Zoom и длятся три часа: разбираем теорию и рассматриваем ее применение на практике После лекции — обязательная домашняя работа, в среднем нужно пять часов в неделю
Вы займетесь разработкой собственной модели, в которой примените знания в Feature Engineering, EDA, проведении экспериментов и анализе ошибок
В конце курса — обязательный коллоквиум, на котором нужно ответить на теоретические вопросы и решить задачи, рассмотренные в курсе
После обучения выдаем сертификат, подтверждающий, что вы освоили теорию и навыки в области классического Machine Learning