Данный репозиторий содержит реализаию практических заданий по специализации от Яндекса и МФТИ на Coursera "Машинное обучение и анализ данных".

Специализация состоит из 6 курсов:

1. Математика и Python для анализа данных
   Первая часть курса о языке программирования Python и работе сбиблиотеками NumPy, SciPy, Matplotlib и Pandas. Вторая часть курса посвящена таким разделам математики как линейная алгебра, математический анализ, методы оптимизации и теория вероятностей. При этом, упор делается на разъяснение математических понятий и их применение на практике, а не на вывод сложных формул и доказательство теорем.
   Практические задания

   • Линейная алгебра: сходство текстов и аппроксимация функций
   • Оптимизация в Python: глобальная оптимизация и оптимизация негладкой функции
   • Центральная предельная теорема своими руками

2. Обучение на размеченных данных
   Курс рассматриает успешно применяемые на практике алгоритмы классификации и регрессии: линейные модели, нейронные сети, решающие деревья и так далее. Особый акцент на построение композиций, в частности случайные леса и метод градиентного бустинга. Кроме этого: оценивание обобщающей способности алгоритмов, подбор параметров модели, выбор и подсчет метрик качества.
   Практические задания:

   • Линейная регрессия и основные библиотеки Python для анализа данных и научных вычислений
   • Линейная регрессия и стохастический градиентный спуск
   • Линейная регрессия: переобучение и регуляризация
   • Предобработка данных и логистическая регрессия для задачи бинарной классификации
   • Бэггинг и случайный лес
   • Градиентный бустинг своими руками

3. Поиск структуры в данных
   Курс об алгоритмах кластеризации данных. Направлен на то, чтобы научить строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные.
   Практические задания:

   • Размещение баннеров (кластеризация)
   • Метод главных компонент
   • Визуализация данных

4. Построение выводов по данным

5. Прикладные задачи анализа данных

6. Анализ данных: финальный проект