Кратко:
- Курс по машинному обучению для специалистов Data Science.
- Обучение созданию прогнозных моделей.
- Основные термины машинного обучения: модель, алгоритм, этапы моделирования.
- Подготовка данных к обучению.
- Линейные модели и библиотека scikit-learn.
- Ограничения и возможности разных моделей для решения разных задач.
- Вводная тема: история машинного обучения и использование в Data Science.
- Задачи регрессии и классификации.
- Основы линейной алгебры.
- Проблемы моделирования и их решение.
- Самостоятельный проект: модель для молочной фермы.
- Курс средней сложности с новыми терминами и практическими заданиями
- Курс по машинному обучению для специалистов Data Science.
- Обучение созданию прогнозных моделей.
- Основные термины машинного обучения: модель, алгоритм, этапы моделирования.
- Подготовка данных к обучению.
- Линейные модели и библиотека scikit-learn.
- Ограничения и возможности разных моделей для решения разных задач.
- Вводная тема: история машинного обучения и использование в Data Science.
- Задачи регрессии и классификации.
- Основы линейной алгебры.
- Проблемы моделирования и их решение.
- Самостоятельный проект: модель для молочной фермы.
- Курс средней сложности с новыми терминами и практическими заданиями
Спринт 9/24 → Тема 1/11: Введение в курс → Урок 2/2
Кратко:
- Курс "Введение в машинное обучение" завершается самостоятельным проектом.
- Работа над проектом включает проверку и доработку проекта после получения комментариев от ревьюера.
- Проект считается завершенным, когда ревьюер одобряет все доработки.
- Работа в IT-компании: разработка модели машинного обучения для фермера, который хочет расширить поголовье стада коров.
- Модель должна помочь фермеру управлять рисками и принимать объективные решения о покупке коров.
- Данные о коровах и их характеристиках представлены в виде файлов. Инструкция по выполнению проекта включает изучение данных, предобработку, исследовательский анализ, корреляционный анализ, обучение моделей и итоговые выводы.
- Ревьюеры проверяют проект по определенным критериям, включая подготовку данных, объяснение шагов, использование графиков, выбор методов моделирования и качество исследования