Для тех, кто хочет разбираться в биологии старения с целью проведения исследований в области увеличения продолжительности жизни человека.
Автор курса – Веремеенко Дмитрий, сфера профессиональной деятельности – data science в медицине, основатель исследовательского проекта, изучающего терапии, направленные на увеличение продолжительности жизни человека, сооснователь сервиса для продления жизни, основатель форума о продлении жизни Nestarenie Camp, со-автор книги “Бонусные годы“, обладатель премии Leaders Club 2021 года за вклад в развитие антивозрастной медицины, создатель справочного блога о старении человека (nestarenie.ru), WhatsApp: +7 925 9244328 Dmitriy-tae@yandex.ru
Требования:
1. Отсутствие страха перед математикой.
2. Выполнение домашних заданий ко всем урокам.
3. Наличие Microsoft Excel, PowerPoint, Word.
4. Выполнять домашние задания, либо на Microsoft Word, либо Excel, либо PowerPoint. После выполнения домашнего задания файлы следует сохранить в формате pdf и выслать на проверку (успеваемость).
5. Уроки будут on-line, а также в записи
Дата запуска 26 июня 2023 года, длительность 2 месяца
Стоимость: бесплатно
Данный курс является базовым для всех. После успешного окончания курса, выполнения всех домашних заданий, выполнения итогового проекта, будет возможность изучения дополнительных курсов:
Язык программирования Python для машинного обучения – продолжительность 1 месяц
Урок 1. Среда для работы
Урок 1. Знакомство с Python – часть 1
Урок 2. Знакомство с Python – часть 2
Урок 3. Встроенные типы и операции с ними – часть 1
Урок 4. Встроенные типы и операции с ними – часть 2
Урок 5. Функции – часть 1
Урок 6. Функции – часть 2
Урок 7. Полезные инструменты – часть 1
Урок 8. Полезные инструменты – часть 2
Машинное обучение – продолжительность 4 месяца
Урок 1. Импорт библиотек
Урок 2. Подготовка датасета, загрузка и просмотр
Урок 3. Разбивка датасета на X_train, X_valid
Урок 4. Анализ и визуализация датасета
Урок 5. Поиск пропусков
Урок 6. Обработка пропусков
Урок 7. Поиск выбросов
Урок 8. Обработка выбросов
Урок 9. Построение новых признаков
Урок 10. Отбор признаков
Урок 11. Нормализация и стандартизация
Урок 12. Скорость обучения
Урок 13. Удаление целевого признака
Урок 14. Функция calc_logloss
Урок 15. Функция calc_pred_proba
Урок 16. L1 и L2-регуляризация
Урок 17. Преобразование категориальных признаков в числовые
Урок 18. Поиск лучших гиперпараметров
Урок 19. Линейная регрессия
Урок 20. Логистическая регрессия
Урок 21. К-ближайших соседей
Урок 22. Решающий лес
Урок 23. Случайный лес
Урок 24. Градиентный бустинг
Урок 25. Метод главных компонент
Урок 26. Предсказание на тренировочных данных
Урок 27. Качества модели, подсчет метрик, матрица ошибок
Урок 28. Работа с тестовым датасетом
Урок 25. Итоговый проект: “Предсказание количественных переменных”
Урок 26. Итоговый проект: “Предсказание категориальных переменных