Программа курса
День 1. Python для работы с данными.
1. Обработка данных с помощью Python
2. Введение в Jupyter Lab
3. Собственные структуры данных Python
4. Библиотека NumPy (цель и возможности)
5. Библиотека MatPlotLib (цель и возможности)
Лабораторная работа 1. Работа с типами данных
День 2. Оценка данных, введение в машинное обучение
1. Библиотека Pandas, понятие датафреймов и операции над ними
2. Введение в машинное обучение
- Терминология
- Виды и возможности
- Обучение моделей
- Градиентный спуск
- Hyperparameters, Losses, Learning Rate
- Generalization
- Сеты данных
Лабораторная работа 2. Работа с датафреймами
Лабораторная работа 3. Изучение зависимостей в машинном обучении
День 3. Tensorflow и Feature Engineering
1. Введение в Tensorflow и Keras
2. Возможности и способы использования
3. Готовые модели
4. Инструменты для создания собственных моделей
5. Feature Selection and Engineering
Лабораторная работа 4. Использование Tensorflow
Лабораторная работа 5. Feature Engineering
День 4. Глубокое обучение и среды для обучения моделей
1. Глубокое обучение
2. Применение и возможности
3. Ресурсы для обучения моделей
4. Облачные ресурсы для обучения моделей
Лабораторная работа 6. Глубокое обучение
Лабораторная работа 7. Обучение моделей в подготовленной среде
День 5. Визуализация данных.
1 Библиотеки Python для визуализации
2. Облачные среды для визуализации данных
3. Статистическая оценка данных
Лабораторная работа 8. Визуализация и статистическая оценка данных