• 0. Сбор данных. Объединение данных из разных источников в один датафрейм.



• 1. Очистка данных. Очистка набора данных по клиентам банка для последующей обработки.



• 2. Предиктивный анализ I. Предобработка (нормализация данных и one-hot encoding) и логистическая регрессия. Прогнозирование оттока клиентов банка.



• 3. Предиктивный анализ II. Прогнозирование оттока клиентов банка. Логистическая регрессия, дерево классификации, случайный лес и градиентный бустинг. Кросс-валидация, ROC AUC.



• 4. Основы работы с GIT.



• 5. Методы оптимизации. Самостоятельная реализация метода градиентного спуска.



• 6. Алгоритмическая сложность.



• 7. Комбинаторика.



• 8. REST API. Самостоятельный выбор проекта. Сделал лингвистический сервис для сравнения частот употребления фраз в книгах Google Books на разных языках с оценкой статистической значимости различия. Подробнее



• 9. Математическая статистика, теория вероятностей, линейная алгебра. Параметры распределений, доверительные интервалы, формулы теории вероятностей, операции с матрицами. Свертка изображений. Singular value decomposition.



• 10. Библиотека Pandas: обработка датафреймов.



• 11. Введение в анализ данных. SQL + Pandas.



• 12. Визуализация данных. Matplotlib, Seaborn и Plotly.



• 13. Введение в машинное обучение. Классификация: бинарная и мультиклассовая. Регрессия. Переобучение. Кластеризация.



• 14. Продвинутое машинное обучение. Регуляризация, GridSearch, метрики, ансамбли, пайплайны и ООП.



• 15. Прототип рекомендательного сервиса рецептов с целью помочь пользователям питаться правильно. Прогноз вкусовых качеств блюда по списку ингредиентов с помощью моделей машинного обучения. Информация по пищевой ценности ингредиентов. Подбор рецептов и меню на день по пищевой ценности.



• *** Прогнозирование цен на Airbnb. Дополнительный проект, не входящий в обязательную часть обучения

В начало страницы