Data Scientist - Видеоуроки

Программа обучения Data Scientist
Duration 136:10:10
Открыть все курсы от netology
Облачный хостинг на SSD с лучшей техподдержкой! Развернуть приложение в один клик

Программа обучения Data Scientist - Полный список уроков

Развернуть / Свернуть
  • Урок 1. Занятие .1. Python 00:30:01
  • Урок 2. Занятие .1. Python 2 00:07:50
  • Урок 3. Занятие .1. Python 3 00:30:01
  • Урок 4. Занятие .1. Python 4 00:30:01
  • Урок 5. Занятие .1. Python 5 00:25:33
  • Урок 6. Занятие .2. Библиотеки numpy, pandas в Python, git 00:30:01
  • Урок 7. Занятие .2. Библиотеки numpy, pandas в Python, git 2 00:30:01
  • Урок 8. Занятие .2. Библиотеки numpy, pandas в Python, git 3 00:10:54
  • Урок 9. Занятие .2. Библиотеки numpy, pandas в Python, git 4 00:30:01
  • Урок 10. Занятие .2. Библиотеки numpy, pandas в Python, git 5 00:30:01
  • Урок 11. Занятие .2. Библиотеки numpy, pandas в Python, git 6 00:28:37
  • Урок 12. Занятие .3. Матрицы, статистика 00:30:01
  • Урок 13. Занятие .3. Матрицы, статистика 2 00:30:01
  • Урок 14. Занятие .3. Матрицы, статистика 3 00:09:42
  • Урок 15. Занятие .3. Матрицы, статистика 4 00:30:01
  • Урок 16. Занятие .3. Матрицы, статистика 5 00:30:01
  • Урок 17. Занятие .3. Матрицы, статистика 6 00:01:07
  • Урок 18. обзор DS и ML 00:30:01
  • Урок 19. обзор DS и ML 2 00:30:01
  • Урок 20. обзор DS и ML 3 00:25:41
  • Урок 21. обзор DS и ML 4 00:30:01
  • Урок 22. обзор DS и ML 5 00:30:01
  • Урок 23. обзор DS и ML 6 00:09:34
  • Урок 24. Мастер-класс визуализации данных на Python 00:30:01
  • Урок 25. Мастер-класс визуализации данных на Python 2 00:30:01
  • Урок 26. Мастер-класс визуализации данных на Python 3 00:30:01
  • Урок 27. Мастер-класс визуализации данных на Python 4 00:30:01
  • Урок 28. Мастер-класс визуализации данных на Python 5 00:16:14
  • Урок 29. Обзор базовых алгоритмов ML в sklearn 00:30:01
  • Урок 30. Обзор базовых алгоритмов ML в sklearn 2 00:30:01
  • Урок 31. Обзор базовых алгоритмов ML в sklearn 3 00:10:50
  • Урок 32. Обзор базовых алгоритмов ML в sklearn 4 00:30:01
  • Урок 33. Обзор базовых алгоритмов ML в sklearn 5 00:30:01
  • Урок 34. Обзор базовых алгоритмов ML в sklearn 6 00:30:01
  • Урок 35. Обзор базовых алгоритмов ML в sklearn 7 00:06:06
  • Урок 36. Деревья решений 00:30:01
  • Урок 37. Деревья решений 2 00:30:01
  • Урок 38. Деревья решений 3 00:21:44
  • Урок 39. Деревья решений 4 00:30:01
  • Урок 40. Деревья решений 5 00:30:01
  • Урок 41. Деревья решений 6 00:22:19
  • Урок 42. Метод k ближайших соседей 00:30:01
  • Урок 43. Метод k ближайших соседей 2 00:30:01
  • Урок 44. Метод k ближайших соседей 3 00:05:38
  • Урок 45. Метод k ближайших соседей 4 00:30:01
  • Урок 46. Метод k ближайших соседей 5 00:30:01
  • Урок 47. Метод k ближайших соседей 6 00:18:26
  • Урок 48. Линейный классификатор, логистическая регрессия 00:30:01
  • Урок 49. Линейный классификатор, логистическая регрессия 2 00:30:01
  • Урок 50. Линейный классификатор, логистическая регрессия 3 00:05:38
  • Урок 51. Линейный классификатор, логистическая регрессия 4 00:30:01
  • Урок 52. Линейный классификатор, логистическая регрессия 5 00:30:01
  • Урок 53. Линейный классификатор, логистическая регрессия 6 00:18:26
  • Урок 54. Проверка точности модели, переобучение, регуляризация 00:30:01
  • Урок 55. Проверка точности модели, переобучение, регуляризация 2 00:30:01
  • Урок 56. Проверка точности модели, переобучение, регуляризация 3 00:07:34
  • Урок 57. Проверка точности модели, переобучение, регуляризация 4 00:30:01
  • Урок 58. Проверка точности модели, переобучение, регуляризация 5 00:30:01
  • Урок 59. Проверка точности модели, переобучение, регуляризация 6 00:20:47
  • Урок 60. Борьба с переобучением ансамблирование 00:30:01
  • Урок 61. Борьба с переобучением ансамблирование 2 00:30:01
  • Урок 62. Борьба с переобучением ансамблирование 3 00:30:01
  • Урок 63. Борьба с переобучением ансамблирование 4 00:16:37
  • Урок 64. Борьба с переобучением ансамблирование 5 00:30:01
  • Урок 65. Борьба с переобучением ансамблирование 6 00:30:01
  • Урок 66. Борьба с переобучением ансамблирование 7 00:13:36
  • Урок 67. Кластеризация 00:30:01
  • Урок 68. Кластеризация 2 00:30:01
  • Урок 69. Кластеризация 3 00:20:28
  • Урок 70. Кластеризация 4 00:30:01
  • Урок 71. Кластеризация 5 00:30:01
  • Урок 72. Кластеризация 6 00:10:51
  • Урок 73. Обзор библиотеки XGBoost 00:30:01
  • Урок 74. Обзор библиотеки XGBoost 2 00:30:01
  • Урок 75. Обзор библиотеки XGBoost 3 00:23:12
  • Урок 76. Обзор библиотеки XGBoost 4 00:30:01
  • Урок 77. Обзор библиотеки XGBoost 5 00:29:10
  • Урок 78. Проблемы качества и размерности данных 00:30:01
  • Урок 79. Проблемы качества и размерности данных 2 00:30:01
  • Урок 80. Проблемы качества и размерности данных 3 00:30:01
  • Урок 81. Проблемы качества и размерности данных 4 00:25:39
  • Урок 82. Проблемы качества и размерности данных 5 00:24:09
  • Урок 83. Проблемы качества и размерности данных 6 00:30:01
  • Урок 84. Методы декомпозиции(из пред набора) 02:57:28
  • Урок 85. Методы декомпозиции 00:30:01
  • Урок 86. Методы декомпозиции 2 00:30:01
  • Урок 87. Методы декомпозиции 3 00:29:19
  • Урок 88. Методы декомпозиции 4 00:30:01
  • Урок 89. Методы декомпозиции 5 00:30:01
  • Урок 90. Методы декомпозиции 6 00:11:37
  • Урок 91. Cпрямляющие пространства 00:30:01
  • Урок 92. Cпрямляющие пространства 2 00:30:01
  • Урок 93. Cпрямляющие пространства 3 00:30:01
  • Урок 94. Cпрямляющие пространства 4 00:04:08
  • Урок 95. Cпрямляющие пространства 5 00:30:01
  • Урок 96. Cпрямляющие пространства 6 00:30:01
  • Урок 97. Cпрямляющие пространства 7 00:24:51
  • Урок 98. Базовые алгоритмы и понятия ML 02:14:40
  • Урок 99. Введение и классификация рекомендательных систем 00:30:01
  • Урок 100. Введение и классификация рекомендательных систем 2 00:20:33
  • Урок 101. Введение и классификация рекомендательных систем 3 00:28:52
  • Урок 102. Введение и классификация рекомендательных систем 4 00:30:01
  • Урок 103. Введение и классификация рекомендательных систем 5 00:30:01
  • Урок 104. Рекомендации на основе содержания 00:30:01
  • Урок 105. Рекомендации на основе содержания 2 00:30:01
  • Урок 106. Рекомендации на основе содержания 3 00:18:36
  • Урок 107. Рекомендации на основе содержания 4 00:30:01
  • Урок 108. Рекомендации на основе содержания 5 00:30:01
  • Урок 109. Рекомендации на основе содержания 6 00:05:11
  • Урок 110. Рекомендации на основе содержания 7 00:30:01
  • Урок 111. Коллаборативная фильтрация 00:22:52
  • Урок 112. Коллаборативная фильтрация 2 00:30:01
  • Урок 113. Коллаборативная фильтрация 3 00:30:01
  • Урок 114. Коллаборативная фильтрация 4 00:08:41
  • Урок 115. Коллаборативная фильтрация 5 00:30:01
  • Урок 116. Коллаборативная фильтрация 6 00:19:01
  • Урок 117. Рекомендации на основе скрытых факторов 00:22:41
  • Урок 118. Рекомендации на основе скрытых факторов 2 00:22:40
  • Урок 119. Рекомендации на основе скрытых факторов 3 00:22:40
  • Урок 120. Рекомендации на основе скрытых факторов 4 00:03:40
  • Урок 121. Рекомендации на основе скрытых факторов 5 00:10:56
  • Урок 122. Рекомендации на основе скрытых факторов 6 00:22:40
  • Урок 123. Рекомендации на основе скрытых факторов 7 00:22:41
  • Урок 124. Рекомендации на основе скрытых факторов 8 00:21:01
  • Урок 125. Гибридные рекомендатльные системы 00:22:40
  • Урок 126. Гибридные рекомендатльные системы 2 00:22:41
  • Урок 127. Гибридные рекомендатльные системы 3 00:22:40
  • Урок 128. Гибридные рекомендатльные системы 4 00:19:07
  • Урок 129. Гибридные рекомендатльные системы 5 00:06:55
  • Урок 130. Гибридные рекомендатльные системы 6 00:22:40
  • Урок 131. Гибридные рекомендатльные системы 7 00:19:26
  • Урок 132. Рекомендательные системы в production 00:22:40
  • Урок 133. Рекомендательные системы в production 2 00:22:40
  • Урок 134. Рекомендательные системы в production 3 00:22:41
  • Урок 135. Рекомендательные системы в production 4 00:06:19
  • Урок 136. Рекомендательные системы в production 5 00:22:40
  • Урок 137. Рекомендательные системы в production 6 00:22:40
  • Урок 138. Рекомендательные системы в production 7 00:22:41
  • Урок 139. Приглашенный лектор E-Contenta 00:22:40
  • Урок 140. Приглашенный лектор E-Contenta 2 00:22:40
  • Урок 141. Приглашенный лектор E-Contenta 3 00:22:40
  • Урок 142. Приглашенный лектор E-Contenta 4 00:02:21
  • Урок 143. Приглашенный лектор E-Contenta 5 00:22:40
  • Урок 144. Приглашенный лектор E-Contenta 6 00:22:40
  • Урок 145. Приглашенный лектор E-Contenta 7 00:22:42
  • Урок 146. Приглашенный лектор E-Contenta 8 00:22:40
  • Урок 147. Введение в обработку текста 00:22:40
  • Урок 148. Введение в обработку текста 2 00:22:40
  • Урок 149. Введение в обработку текста 3 00:05:39
  • Урок 150. Введение в обработку текста 4 00:22:40
  • Урок 151. Введение в обработку текста 5 00:22:41
  • Урок 152. Введение в обработку текста 6 00:22:40
  • Урок 153. Введение в обработку текста 7 00:14:10
  • Урок 154. Морфологический и синтаксический анализ 00:22:41
  • Урок 155. Морфологический и синтаксический анализ 2 00:22:40
  • Урок 156. Морфологический и синтаксический анализ 3 00:22:41
  • Урок 157. Морфологический и синтаксический анализ 4 00:04:49
  • Урок 158. Морфологический и синтаксический анализ 5 00:22:41
  • Урок 159. Морфологический и синтаксический анализ 6 00:22:40
  • Урок 160. Морфологический и синтаксический анализ 7 00:22:41
  • Урок 161. Морфологический и синтаксический анализ 8 00:18:00
  • Урок 162. Векторная модель и методы снижения размерности. Информационный поиск 00:22:40
  • Урок 163. Векторная модель и методы снижения размерности. Информационный поиск 2 00:22:40
  • Урок 164. Векторная модель и методы снижения размерности. Информационный поиск 3 00:16:19
  • Урок 165. Векторная модель и методы снижения размерности. Информационный поиск 4 00:22:40
  • Урок 166. Векторная модель и методы снижения размерности. Информационный поиск 5 00:22:41
  • Урок 167. Векторная модель и методы снижения размерности. Информационный поиск 6 00:22:41
  • Урок 168. Векторная модель и методы снижения размерности. Информационный поиск 7 00:22:40
  • Урок 169. Векторная модель и методы снижения размерности. Информационный поиск 8 00:08:40
  • Урок 170. Задача классификации в АОТ 00:22:41
  • Урок 171. Задача классификации в АОТ 2 00:22:41
  • Урок 172. Задача классификации в АОТ 3 00:22:40
  • Урок 173. Задача классификации в АОТ 4 00:01:16
  • Урок 174. Задача классификации в АОТ 5 00:22:41
  • Урок 175. Задача классификации в АОТ 6 00:22:40
  • Урок 176. Задача классификации в АОТ 7 00:22:40
  • Урок 177. Задача классификации в АОТ 8 00:20:44
  • Урок 178. Языковые модели. Счетные языковые модели и вероятностные языковые модели 00:30:01
  • Урок 179. Языковые модели. Счетные языковые модели и вероятностные языковые модели 2 00:30:01
  • Урок 180. Языковые модели. Счетные языковые модели и вероятностные языковые модели 3 00:30:01
  • Урок 181. Языковые модели. Счетные языковые модели и вероятностные языковые модели 4 00:29:13
  • Урок 182. Языковые модели. Счетные языковые модели и вероятностные языковые модели 5 00:30:01
  • Урок 183. Языковые модели. Счетные языковые модели и вероятностные языковые модели 6 00:22:46
  • Урок 184. Извлечение информации именованные сущности, отношения, факты, события 00:30:01
  • Урок 185. Извлечение информации именованные сущности, отношения, факты, события 2 00:30:01
  • Урок 186. Извлечение информации именованные сущности, отношения, факты, события 3 00:07:52
  • Урок 187. Извлечение информации именованные сущности, отношения, факты, события 4 00:30:01
  • Урок 188. Извлечение информации именованные сущности, отношения, факты, события 5 00:30:01
  • Урок 189. Извлечение информации именованные сущности, отношения, факты, события 6 00:30:01
  • Урок 190. Извлечение информации именованные сущности, отношения, факты, события 7 00:19:52
  • Урок 191. Генерация текстов (Natural Language Generation) 00:30:01
  • Урок 192. Генерация текстов (Natural Language Generation) 2 00:30:01
  • Урок 193. Генерация текстов (Natural Language Generation) 3 00:04:21
  • Урок 194. Генерация текстов (Natural Language Generation) 4 00:30:01
  • Урок 195. Генерация текстов (Natural Language Generation) 5 00:30:01
  • Урок 196. Генерация текстов (Natural Language Generation) 6 00:30:01
  • Урок 197. Генерация текстов (Natural Language Generation) 7 00:09:27
  • Урок 198. Сбор текстов из веба 00:30:01
  • Урок 199. Сбор текстов из веба 2 00:30:01
  • Урок 200. Сбор текстов из веба 3 00:30:01
  • Урок 201. Сбор текстов из веба 4 00:22:56
  • Урок 202. Сбор текстов из веба 5 00:30:01
  • Урок 203. Сбор текстов из веба 6 00:30:01
  • Урок 204. Базовая теория машинного зрения 00:30:01
  • Урок 205. Базовая теория машинного зрения 2 00:30:01
  • Урок 206. Базовая теория машинного зрения 3 00:05:14
  • Урок 207. Базовая теория машинного зрения 4 00:30:01
  • Урок 208. Базовая теория машинного зрения 5 00:30:01
  • Урок 209. Базовая теория машинного зрения 6 00:30:01
  • Урок 210. Базовая теория машинного зрения 7 00:02:43
  • Урок 211. Извлечение признаков изображения, поиск по картинкам 00:30:01
  • Урок 212. Извлечение признаков изображения, поиск по картинкам 2 00:30:01
  • Урок 213. Извлечение признаков изображения, поиск по картинкам 3 00:23:55
  • Урок 214. Извлечение признаков изображения, поиск по картинкам 4 00:30:01
  • Урок 215. Извлечение признаков изображения, поиск по картинкам 5 00:30:01
  • Урок 216. Извлечение признаков изображения, поиск по картинкам 6 00:14:35
  • Урок 217. Сегментация изображений 00:30:01
  • Урок 218. Сегментация изображений 2 00:30:01
  • Урок 219. Сегментация изображений 3 00:07:21
  • Урок 220. Сегментация изображений 4 00:30:01
  • Урок 221. Сегментация изображений 5 00:30:01
  • Урок 222. Сегментация изображений 6 00:30:01
  • Урок 223. Сегментация изображений 7 00:02:57
  • Урок 224. Введение в нейронные сети 00:30:01
  • Урок 225. Введение в нейронные сети 2 00:29:22
  • Урок 226. Введение в нейронные сети 3 00:30:01
  • Урок 227. Введение в нейронные сети 4 00:30:01
  • Урок 228. Введение в нейронные сети 5 00:30:01
  • Урок 229. Введение в нейронные сети 6 00:15:35
  • Урок 230. Сверточные нейронные сети 00:22:40
  • Урок 231. Сверточные нейронные сети 2 00:22:40
  • Урок 232. Сверточные нейронные сети 3 00:22:40
  • Урок 233. Сверточные нейронные сети 4 00:22:40
  • Урок 234. Сверточные нейронные сети 5 00:02:23
  • Урок 235. Сверточные нейронные сети 6 00:18:19
  • Урок 236. Сверточные нейронные сети 7 00:21:35
  • Урок 237. Сверточные нейронные сети 8 00:10:07
  • Урок 238. Сверточные нейронные сети 9 00:10:07
  • Урок 239. Сверточные нейронные сети-практическое применение 00:22:40
  • Урок 240. Сверточные нейронные сети-практическое применение 2 00:22:41
  • Урок 241. Сверточные нейронные сети-практическое применение 3 00:03:52
  • Урок 242. Сверточные нейронные сети-практическое применение 4 00:22:40
  • Урок 243. Сверточные нейронные сети-практическое применение 5 00:22:41
  • Урок 244. Сверточные нейронные сети-практическое применение 6 00:22:41
  • Урок 245. Сверточные нейронные сети-практическое применение 7 00:17:31
  • Урок 246. Сверточные нейронные сети-практическое применение 8 00:22:41
  • Урок 247. Применение сверточных сетей для задач сегментации и детекции 00:30:01
  • Урок 248. Применение сверточных сетей для задач сегментации и детекции 2 00:30:01
  • Урок 249. Применение сверточных сетей для задач сегментации и детекции 3 00:12:55
  • Урок 250. Применение сверточных сетей для задач сегментации и детекции 4 00:30:01
  • Урок 251. Применение сверточных сетей для задач сегментации и детекции 5 00:30:01
  • Урок 252. Применение сверточных сетей для задач сегментации и детекции 6 00:13:49
  • Урок 253. Применение рекуррентных сетей в задачах обработки изображений 00:22:40
  • Урок 254. Применение рекуррентных сетей в задачах обработки изображений 2 00:22:40
  • Урок 255. Применение рекуррентных сетей в задачах обработки изображений 3 00:00:32
  • Урок 256. Применение рекуррентных сетей в задачах обработки изображений 4 00:22:40
  • Урок 257. Применение рекуррентных сетей в задачах обработки изображений 5 00:22:41
  • Урок 258. Применение рекуррентных сетей в задачах обработки изображений 6 00:22:40
  • Урок 259. Применение рекуррентных сетей в задачах обработки изображений 7 00:20:58
  • Урок 260. Генеративные конкурирующие сети (GAN) 00:22:41
  • Урок 261. Генеративные конкурирующие сети (GAN) 2 00:22:41
  • Урок 262. Генеративные конкурирующие сети (GAN) 3 00:22:40
  • Урок 263. Генеративные конкурирующие сети (GAN) 4 00:22:41
  • Урок 264. Генеративные конкурирующие сети (GAN) 5 00:06:24
  • Урок 265. Генеративные конкурирующие сети (GAN) 6 00:22:40
  • Урок 266. Генеративные конкурирующие сети (GAN) 7 00:22:40
  • Урок 267. Генеративные конкурирующие сети (GAN) 8 00:08:15
  • Урок 268. Временные ряды, общая теория 00:22:40
  • Урок 269. Временные ряды, общая теория 2 00:22:40
  • Урок 270. Временные ряды, общая теория 3 00:22:41
  • Урок 271. Временные ряды, общая теория 4 00:08:57
  • Урок 272. Временные ряды, общая теория 5 00:22:40
  • Урок 273. Временные ряды, общая теория 6 00:22:41
  • Урок 274. Временные ряды, общая теория 7 00:22:40
  • Урок 275. Временные ряды, общая теория 8 00:05:23
  • Урок 276. Элементарные алгоритмы обработки временных рядов 00:22:40
  • Урок 277. Элементарные алгоритмы обработки временных рядов 2 00:22:42
  • Урок 278. Элементарные алгоритмы обработки временных рядов 3 00:22:40
  • Урок 279. Элементарные алгоритмы обработки временных рядов 4 00:22:41
  • Урок 280. Элементарные алгоритмы обработки временных рядов 5 00:02:48
  • Урок 281. Элементарные алгоритмы обработки временных рядов 6 00:22:41
  • Урок 282. Элементарные алгоритмы обработки временных рядов 7 00:22:40
  • Урок 283. Элементарные алгоритмы обработки временных рядов 8 00:12:07
  • Урок 284. Модели ARIMA и GARCH, прогнозирование значений на их основе 00:22:40
  • Урок 285. Модели ARIMA и GARCH, прогнозирование значений на их основе 2 00:22:40
  • Урок 286. Модели ARIMA и GARCH, прогнозирование значений на их основе 3 00:22:41
  • Урок 287. Модели ARIMA и GARCH, прогнозирование значений на их основе 4 00:22:41
  • Урок 288. Модели ARIMA и GARCH, прогнозирование значений на их основе 5 00:02:27
  • Урок 289. Модели ARIMA и GARCH, прогнозирование значений на их основе 6 00:22:40
  • Урок 290. Модели ARIMA и GARCH, прогнозирование значений на их основе 7 00:22:40
  • Урок 291. Модели ARIMA и GARCH, прогнозирование значений на их основе 8 00:06:14
  • Урок 292. Построение марковских моделей для временных рядов 00:22:40
  • Урок 293. Построение марковских моделей для временных рядов 2 00:22:40
  • Урок 294. Построение марковских моделей для временных рядов 3 00:22:41
  • Урок 295. Построение марковских моделей для временных рядов 4 00:20:43
  • Урок 296. Построение марковских моделей для временных рядов 5 00:22:41
  • Урок 297. Построение марковских моделей для временных рядов 6 00:22:40
  • Урок 298. Построение марковских моделей для временных рядов 7 00:04:47
  • Урок 299. Хакатон по временным рядам 00:20:30
  • Урок 300. Хакатон по временным рядам 2 00:22:40
  • Урок 301. Хакатон по временным рядам 3 00:22:41
  • Урок 302. Разладка временных рядов, выявление аномалий 00:22:40
  • Урок 303. Разладка временных рядов, выявление аномалий 2 00:22:42
  • Урок 304. Разладка временных рядов, выявление аномалий 3 00:22:40
  • Урок 305. Разладка временных рядов, выявление аномалий 4 00:22:40
  • Урок 306. Разладка временных рядов, выявление аномалий 5 00:22:40
  • Урок 307. Разладка временных рядов, выявление аномалий 6 00:22:40
  • Урок 308. Разладка временных рядов, выявление аномалий 7 00:03:55
  • Урок 309. Процессинг данных 00:34:04
  • Урок 310. Clickhouse 00:22:40
  • Урок 311. Clickhouse 2 00:22:40
  • Урок 312. Clickhouse 3 00:22:40
  • Урок 313. Clickhouse 4 00:01:58
  • Урок 314. Clickhouse 5 00:22:40
  • Урок 315. Clickhouse 6 00:22:41
  • Урок 316. Clickhouse 7 00:14:30
  • Урок 317. Amazon Web Services для data science 00:22:40
  • Урок 318. Amazon Web Services для data science 2 00:22:40
  • Урок 319. Amazon Web Services для data science 3 00:22:41
  • Урок 320. Amazon Web Services для data science 4 00:18:16
  • Урок 321. Amazon Web Services для data science 5 00:22:40
  • Урок 322. Amazon Web Services для data science 6 00:22:41
  • Урок 323. Amazon Web Services для data science 7 00:22:40
  • Урок 324. Amazon Web Services для data science 8 00:22:40
  • Урок 325. Amazon Web Services для data science 9 00:09:32
  • Урок 326. Имплементация моделей 01:19:36
  • Урок 327. Машинное обучение в электронной коммерции 00:22:40
  • Урок 328. Машинное обучение в электронной коммерции 2 00:22:40
  • Урок 329. Машинное обучение в электронной коммерции 3 00:07:25
  • Урок 330. Машинное обучение в электронной коммерции 4 00:22:40
  • Урок 331. Машинное обучение в электронной коммерции 5 00:22:40
  • Урок 332. Машинное обучение в электронной коммерции 6 00:22:41
  • Урок 333. Машинное обучение в электронной коммерции 7 00:22:40
  • Урок 334. Машинное обучение в электронной коммерции 8 00:22:40
  • Урок 335. Машинное обучение в электронной коммерции 9 00:01:20
  • Урок 336. Требования в DS проектах 00:22:40
  • Урок 337. Требования в DS проектах 2 00:22:40
  • Урок 338. Требования в DS проектах 3 00:22:42
  • Урок 339. Требования в DS проектах 4 00:03:42
  • Урок 340. Требования в DS проектах 5 00:22:40
  • Урок 341. Требования в DS проектах 6 00:20:38
  • Урок 342. Требования в DS проектах 7 00:22:40
  • Урок 343. Требования в DS проектах 8 00:02:33
  • Урок 344. Составление отчётов по исследованиям 00:30:01
  • Урок 345. Составление отчётов по исследованиям 2 00:30:01
  • Урок 346. Составление отчётов по исследованиям 3 00:08:34
  • Урок 347. Составление отчётов по исследованиям 4 00:30:01
  • Урок 348. Составление отчётов по исследованиям 5 00:19:43
  • Урок 349. Составление отчётов по исследованиям 6 00:28:35

Научитесь строить и обучать предиктивные модели с помощью алгоритмов машинного обучения и нейросетей.  Data Scientist  создает и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы.

Чему вы научитесь на курсе 

  • Строить модели предиктивного анализа, измерять и увеличивать точность предсказаний 
  • Применять Deep learning модели в работе с NLP, машинным зрением и рекомендательными системами
  • Выявлять неочевидные паттерны в пользовательском поведении и находить новые точки роста для компании

Программа курса 

  • Python и математика для анализа данных. Вы научитесь пользоваться базовыми инструментами и подходами в Python, чтобы начать работать с данными. Повторите основы линейной алгебры, теории множеств, методов математической оптимизации, описательной статистики, статистического анализа данных, а также научитесь реализовать это на языке Python. 
  • Эксплоративный анализ и предобработка данных. Когда данные получены, нужно изучить их, выявить закономерности, а также подготовить для создания модели. Вы научитесь визуализировать данные, проверять их на целостность, валидность, полноту, очищать от шумов, пропущенных значений, работать с размерностью, а также создавать фичи для моделей. 
  • Построение модели. Вы научитесь строить основные модели обучения с учителем и без, а также ансамбли моделей. Кроме этого, сможете подбирать метрики, чтобы оценивать качество модели, итерационно повышать его и бороться с переобучением. 
  • Работа с заказчиком. Вы научитесь планировать разработку data science-проектов, а также грамотно рассказывать заказчикам о результатах исследований. 
  • Рекомендательные системы. В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их. 
  • Распознавание изображений, машинное зрение. Вы освоите основные техники машинного зрения — извлечение признаков, поиск по картинкам, сегментирование, детекция объектов — а также научитесь строить нейросети. 
  • Обработка естественного языка (NLP). Вы освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск, научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты. 

Твоя оценка

17 2
Следи за последними обновлениями и новостями в нашем coursehunter-club.net (Ex coursehunters.club), или вступай в наш канал telegram.

Комментарии

Похожие курсы

07-06-2017 ru 17 уроков
specialist Data Science. Уровень1. Инструменты и технологии
Математическая статистика, запросы SQL, статистическая обработка данных с языком R - для тебя не пустой звук, но ты по-прежнему не варик что за Data Science ? Давай попробуем структуризировать твои знания и применить их на деле, решая типичную задачу, которую решают data scientist.Это отличный курс, который поможет тебе на практике увидить возможности Data Science, и познокомить с машинным обучением. В уроках мы детально разберем обработку и...
Duration 09:41:34
7 0
20-12-2017 en 119 уроков
udemy Data Science and Machine Learning Bootcamp with R
Узнайте как использовать язык программирования R для Data Science, машинного обучения и визуализации данных!  Data Science - полезная карьера, которая позволяет вам решать некоторые из самых интересных проблем в мире! Этот курс предназначен как для начинающих, так и для программистов, или опытных разработчиков, желающих совершить переход к Data Science!Этот всеобъемлющий курс сопоставим с другими Bootcamp Data Science, которые обычно стоят...
Duration 17:43:47
8 0
30-11--0001 ru 9 уроков
specialist Data Science. Level 2. Applied Machine Learning
Обработка больших объемов данных (Big Data) – трудоемкий процесс. Раньше, чтобы компьютер мог выполнить даже простую задачу, программист должен был написать подробный алгоритм действий. Но теперь можно не составлять инструкции, а настраивать компьютер так, чтобы он сам на основе предложенных данных искал закономерности и делал выводы. Этот процесс называется машинным обучением - machine learning.Например, в качестве исходных данных есть...
Duration 14:02:29
0 0
30-11--0001 ru 20 уроков
specialist Data Science. Уровень 3. Масштабируемые решения
Если компания планирует получить серьезную выгоду от использования Data Science, ей нужно отмасштабировать алгоритмы работы с данными. Для этого одного-двух компьютеров будет мало, придется задействовать дополнительные мощности – вычислительный кластер и облачные сервисы. На этом курсе слушатели узнают, как построить масштабируемые аналитические решения для применения в корпоративной среде.На курсе рассматривается, как проводить...
Duration 18:13:46
1 0
30-11--0001 ru 2 урока
specialist Основы работы с большими данными: Data Science Orientation (2018)
В процессе деятельности любая компания постоянно ищет новые способы развития: оптимизирует производство, улучшает бизнес-процессы, увеличивает вложения в рекламу и маркетинг, повышает уровень сервиса. Но если успехи компании сходят на нет, зачастую сложно понять, что именно идет не так и почему.Есть область, ресурсы которой еще не исчерпаны – это Data Science. Накопленные в компании данные, полученные из разных источников, таят в себе...
Duration 09:32:56
0 0
20-12-2018 ru 32 урока
OTUS Data Scientist. 4 Части из 5
Курс предназначен для программистов и аналитиков, которых интересует область машинного обучения и анализа данных. Цель прохождения курса — освоение алгоритмов машинного обучения и логических методов, позволяющих находить ценную информацию в крупных массивах данных и эффективно внедрять эту информацию для решения реальных бизнес-задач.
Duration 55:21:01
7 2
30-12-2018 ru 9 уроков
OTUS Deep Learning Engineer
Программа курса создана специально для тех, кто уже знаком с классическим машинным обучением и хочет погрузиться в мир нейронных сетей и глубокого обучения, получив навыки уровня Middle/Senior. Знания также пригодятся начинающим специалистам в нейронных сетях, которые намерены быстро и систематизировано выйти на высокие позиции в крупных IT-компаниях.
Duration 18:54:12
4 1
ru 38 уроков
skillfactory Python для анализа данных
«Данные — это новая нефть». Они помогают усовершенствовать продукт, привлечь новых пользователей и являются драйвером роста любой компании. Компании во всем мире используют Python для сбора и анализа данных. В Uber, Yandex и Facebook, знание Python является обязательным требованием при приеме на работу аналитика. Наш курс позволяет освоить Python для анализа данных с нуля. Курс рассчитан на тех, кто не умеет программировать, но...
Duration 02:26:26
3 0

Последнее добавленное

[Книга] Java Persistence with Hibernate

[Книга] Java Persistence with Hibernate

ru
Java Persistence – механизм, помогающий обеспечить сохранность данных после завершения программы, что является главной чертой современных приложений. Hibernate – наиболее популярный инструмент Java для работы с базами данных, предоставляющим автоматическое прозрачное объектно-реляционное...
[Книга] React+D3v4

[Книга] React+D3v4

en
Повторно используемые данные и игры с использованием современного JavaScript. Создание динамических визуализаций данных в сети - боль в заднице. С React + d3.js ES6 вы научитесь создавать многократно используемые компоненты визуализации с использованием современных стандартов JavaScript примерно...
[Книга] Spring 5 для профессионалов

[Книга] Spring 5 для профессионалов

ru
Книга «Spring 5 для профессионалов» представляет собой многолетний бестселлер, который обновлен с целью отражения функциональных средств, предлагаемых последней версией платформы Spring Framework 5 - одного из самых популярных фреймворков для разработки приложения на Java.
Введение в CQRS и Event Sourcing

Введение в CQRS и Event Sourcing

en
Изучите источники событий на теоретических и практических примерах. Более 3 часов видео контента вводят новые концепции, а затем погружаются в реализацию идей с использованием кода. Получите доступ к источнику полнофункционального веб-приложения на основе событий, созданного с использованием...
Непрерывная интеграция на Gitlab

Непрерывная интеграция на Gitlab

en
Шаг за шагом, практическое руководство. Установите и используйте собственную среду GitLab / GitLab CI. К концу этого курса вы получите четкое представление о том, как работает непрерывная интеграция GitLab. У вас будет практический опыт настройки GitLab CE и добавления пользователей, проектов...
Стать менеджером по продукту | Изучите навыки и получите работу

Стать менеджером по продукту | Изучите навыки и получите работу

en
Самый обновленный и полный курс по управлению продуктами на Udemy! Вы изучите навыки, составляющие всю работу и процесс управления продуктом: от идеи до исследования рынка, от разработки UX до создания прототипов, технологий, метрик и, наконец, до создания продукта с пользовательскими историями...
[Книга] Unity в действии. Мультиплатформенная разработка на C#. 2-е межд. издание

[Книга] Unity в действии. Мультиплатформенная разработка на C#. 2-е межд. издание

ru
Unity зачастую представляют как набор компонентов, не требующих программирования, что в корне неверно. Для создания успешной игры необходимо многое: великолепная работа художника, программистские навыки, интересная история, увлекательный геймплей, дружная и слаженная работа команды разработчиков.
chat
logo