Category - Data Science

DLMLNLP

Data Science • Math • ML • Статистика

Оценка асимметрии и эксцесса данных

Data Science • ML

df.describe() – описательные статистики – важные нюансы

Data Science • ML

EDA – исследовательский анализ данных, основные принципы

Data Science • ML

Табличные данные. План исследования и подготовки к моделированию.

Data Science • ML

Кроссвалидация. Выбор оптимальной стратегии.

Data Science • ML

Несогласованность в данных (data inconsistency)

Data Science • ML

Утечка данных. Как обнаружить и предотвратить.

Computer science • Data Science • DL • Термины

Логиты

Computer science • Data Science • DL • Термины

Цепное правило

Computer science • Data Science • DL • Термины

Вычислительный граф

Data Science • ML • Python • Tech

Диспетчеризация через словарь функций

Data Science • ML • Статистика

Сэмплирование данных в ML

Data Science • NLP

Основные задачи NLP и их краткие определения

Data Science • NLP

TF-IDF. Основные сведения и код.

Computer science • Data Science • DL • Термины

Нейронные сети. Основы.

Data Science • ML

Примеры постановки ML задач

Data Science • ML

Как работает GridSearchCV

ML

Градиентный бустинг. Основы.

Data Science • NLP

RAG – основы и простой пример

ML

Подготовка данных. Шаг 5: масштабирование и нормализация признаков

ML

Подготовка данных. Шаг 4: кодирование категориальных признаков

ML

Подготовка данных. Шаг 3: работа с признаком времени

ML

Подготовка данных, шаг 2: работа с пропусками

ML

Подготовка данных. Шаг 1: работа с выбросами

ML

Ансамбли в ML. Основы.

ML

Дерево решений. Задачи к собеседованию.

ML

Дерево решений. Вопросы к собеседованию.

ML • Алгоритмы

Временная сложность алгоритмов ML в О-нотации

ML

Дерево решений. Основные моменты.

ML

Линейная регрессия. Задачи к собеседованию.

ML

Линейная регрессия. Вопросы к собеседованию.

Data Science • DL

Transfer Learning (перенос обучения, трансферное обучение)

DL

Сверточная нейронная сеть – основные моменты

DL

Batch Normalization

DL • ML

Переобучение и методы борьбы с ним

DL

Формат представления данных для нейросетей. Базовый стандарт.

DL

Полносвязная нейросеть на Pytorch – базовая структура кода на простом примере

DL

Функции активации в Pytorch

DL

Функции ошибок в Pytorch

DL

Полносвязная нейронная сеть. Общие принципы работы.

ML

Как оценивается важность признаков в разных моделях?

ML

Работа с признаком времени – основные идеи

DL

Автокодировщики (autoencoders)

ML • Статистика

Корреляция. Правила работы с корреляционной матрицей.

ML

Линейная регрессия