Python является предпочтительным языком программирования. Если специалисты в машинном обучении решат поместить свой проект в открытый доступ, они, скорее всего, сделают это на python. Поэтому курс начинается с представления концепций и пакетов Python, которые полезны для анализа данных.

Машинное обучение является технической наукой и, как и любой технический предмет, использует математический язык для формулирования идей. Растет число решений, которые пытаются автоматизировать весь процесс машинного обучения, но если человек не понимает математический формализм, лежащий в основе алгоритмов, невозможно протестировать и отладить модели, которые могут привести к ложным выводам.

В этом курсе студенты изучают те понятия линейной алгебры, теории вероятностей и статистики, которые являются ключевыми для разведочного анализа данных, а также для понимания и разработки алгоритмов машинного обучения.

«Чем больше данных, тем лучше алгоритмы» — эта цитата Питера Норвига подчеркивает большое значение данных в машинном обучении. В этой части программы описываются структуры данных, реляционные и нереляционные базы данных, средства взаимодействия с базами данных, манипулирование данными и слияние наборов данных из разных источников.

Этот модуль начинается со введения в машинное обучение: как оно организовано, каковы подотрасли машинного обучения, фундаментальные различия между этими подходами и типы проблем, для решения которых они предназначены.

Затем студенты знакомятся с постановкой задачи машинного обучения, выбирая соответствующую целевую функцию и алгоритм для данной задачей. Хорошо известно, что обработка данных и выбор функций занимают большую часть времени разработки модели. Студенты изучают методы, позволяющие эффективно справляться с отсутствующими значениями, выбросами, категориальными переменными и создают новые функции.

Этот курс охватывает алгоритмы, которые используются, когда известна целевая переменная, которая должна быть предсказана. Он начинается с простого KNN и заканчивается полностью подключенными нейронными сетями с прямой связью. Правильное тестирование модели необходимо для создания надежного продукта. Студенты знакомятся с различными методами и параметрами тестирования, которые помогают строить обобщенные и устойчивые модели.

Большинство временных значений целевой переменной неизвестны, в таких случаях необходимо применять методы обучения без учителя. Они позволяют нам идентифицировать скрытые структуры в многомерных наборах данных.

Итоговая проверка и оценка знания студентов будет состоять в том, что после завершения всех модулей каждый из них выбирает задачу машинного обучения и пытается найти решение, проходя все этапы подготовки данных, обучения модели и тестирования.

Этот модуль представит некоторые продвинутые темы и инструменты для анализа данных, которые помогут вам преуспеть в области Data Science.