Последние новости: Coursehunters.club

Data Scientist - Видеоуроки

Программа обучения Data Scientist
Duration 136:10:10
Открыть все курсы от netology

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

8 0
Следи за последними обновлениями и новостями в нашем 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
4 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
6 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
30-11--0001 ru 16 уроков
OTUS Data Scientist. 2 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 31:34:17
2 0

Последнее добавленное

Просто Express (с кучей node и http). В деталях.

Просто Express (с кучей node и http). В деталях.

en
Нет MERN или MEAN ... просто Express. Для тех, кто немного узнал о самом крутом фреймворке node и хочет больше. У вас есть представление о том, что такое Node, Express и http, иначе вас бы здесь не было. Node и серверная часть JavaScript взяли мир штурмом, [НЕКОТОРАЯ БОЛЬШАЯ КОМПАНИЯ] переехала...
Разработка модуей Drupal 8 с примерами

Разработка модуей Drupal 8 с примерами

en
Никогда не было лучшего времени для изучения разработки модулей Drupal 8. Это потому, что Drupal 8 уже является лучшим технологически и более быстрым способом создания приложений Drupal (по сравнению с Drupal 7). Drupal 8 построен поверх Symfony, поэтому хорошие новости заключаются в том...
Appium (Версия 1.8.2) - Мобильное автоматизированное тестирование с нуля

Appium (Версия 1.8.2) - Мобильное автоматизированное тестирование с нуля

en
Appium курс - 200+ лекций по мобильной автоматизации от основ с примерами в реальных проектах. Курс полностью обновлен 12 ноября с последней версией Appium 1.8.2. Узнайте все, что вам нужно знать о мобильной автоматизации (Android + IOS), даже если вы никогда не программировали раньше.
gRPC [Golang] Мастер-класс: создание современных API и микросервисов

gRPC [Golang] Мастер-класс: создание современных API и микросервисов

en
Лучше, чем REST API! Создайте быстрый и масштабируемый HTTP / 2 API для Go микро-сервиса с помощью gRPC, Protocol Buffers (protobuf). gRPC - это новый и современный фреймворк для построения масштабируемого, современного и быстрого API. Он используется многими ведущими технологическими компаниями...
Машинное обучение от А до Я: станьте мастером Kaggle

Машинное обучение от А до Я: станьте мастером Kaggle

en
Изучите основные алгоритмы машинного обучения с использованием Python от начального до супер продвинутого уровня, включая математические знания. Хотите стать хорошим специалистом по данным? Тогда это правильный курс для вас. Этот курс был разработан специалистами IIT, которые освоили математику...
PHP: Разработка микрофреймворка

PHP: Разработка микрофреймворка

ru
Фреймворки - основной способ создавать сложные сайты в интернете. На определённом уровне недостаточно просто знать как ими пользоваться, нужно понимать как они устроены внутри. Благодаря этому курсу вы не только узнаете про все внутренности, но и создадите свой собственный неповторимый фреймворк.
Регулярные выражения

Регулярные выражения

ru
Практически каждый программист сталкивается с регулярными выражениями в повседневной практике. Многих они отпугивают, но регулярные выражения основаны на небольшом количестве простых понятий. Освоив эти понятия, вы сможете всегда чувствовать себя комфортно при работе с этим мощным инструментом.
chat
logo