Математика и Machine Learning для Data Science

• Изучаем вектора и виды матриц;
• Учимся проводить операции над матрицами;
• Определяем линейную зависимость с помощью матриц;
• Изучаем обратные, вырожденные и невырожденные матрицы;
• Изучаем системы линейных уравнений, собственные и комплексные числа;
• Осваиваем матричное и сингулярное разложение;
• Решаем задачи линейной зависимости с помощью матриц;
• Оптимизируем с помощью метода главных компонент;
• Закрепляем математические основы линейной регрессии.

• Изучаем функции одной и многих переменных и производные;
• Осваиваем понятие градиента и градиентного спуска;
• Тренируемся в задачах оптимизации;
• Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига;
• Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации;
• Закрепляем математические основы градиентного спуска и имитации отжига.

• Изучаем общие понятия описательной и математической статистики;
• Осваиваем комбинаторику;
• Изучаем основные типы распределений и корреляции;
• Разбираемся в теореме Байеса;
• Изучаем наивный байесовский классификатор;
• Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теории вероятности;
• Закрепляем математические основы классификации и логистической регрессии.

• Знакомимся с анализом временных рядов;
• Осваиваем более сложные типы регрессий;
• Прогнозируем бюджет с помощью временных рядов;
• Закрепляем математические основы классических моделей машинного обучения.

• Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом;
• Решаем 50+ задач на закрепление темы.

• Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering;
• Решаем 60+ задач на закрепление темы.

• Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии;
• Решаем 40+ задач на закрепление темы.

• Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML;
• Решаем 50+ задач на закрепление темы.

• Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии;
• Решаем 40+ задач на закрепление темы.

• Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии;
• Решаем 40+ задач на закрепление темы;
• Участвуем в соревновании на kaggle по обучению tree-based модели.

• Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения;
• Оцениваем качество нескольких моделей ML;
• Решаем 40+ задач на закрепление темы.

• Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров;
• Решаем 50+ задач на закрепление темы.

• Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели;
• Решаем 50+ задач на закрепление темы.

Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle.