Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/fulyankin/intro_to_ds


https://github.com/fulyankin/intro_to_ds

Last synced: 5 days ago
JSON representation

Awesome Lists containing this project

README 

        
# Introduction to DS



Это не очень сложный курс по машинному обучению с математикой и питоном. Он состоит из двух частей: введение в DS и ML для маркетинга. Вторая часть только для маркетологов. [Она в отдельном репозитории.](https://github.com/FUlyankin/ML_for_marketing)



* Материалы для каждого семинара лежат в папках `./sem*`

* В папке для каждой недели лежат файлы с семинаров, которые нужно изучить

* В каждой папке есть свой небольшой README с дополнительными материалами, которые желательно посмотреть

* Если вы хотите скачать из репозитория конкретную папку, просто вставьте ссылку на неё [в сервис для скачки.](https://minhaskamal.github.io/DownGit/#/home) Кнопка "скачать" есть в README к каждой неделе.

* Wiki-страница курса

* [Таблица с оценками](https://docs.google.com/spreadsheets/d/1nIoy3AaZrnjKZDwpXIU4ZPSUFXFnWPJn5kvZqoaZTBo/edit?usp=sharing)

* [Видео записи семинаров и лекций](https://www.youtube.com/playlist?list=PLEwK9wdS5g0pixLb-HKfEePW03IqYWdrZ)



* Любые вопросы можно задать в чат с технической поддержкой. Найдите нужный и вступите в него:



[![TG1](https://img.shields.io/badge/Telegram-BMM--chat-blue)]( ) [![TG2](https://img.shields.io/badge/Telegram-UB--chat-blue)]( ) [![TG3](https://img.shields.io/badge/Telegram-канал%20с%20объявлениями-blue)](https://bit.ly/2xQpHNZ)



## Перед стартом курса:



- 📦 __Установите себе на компьютер anaconda.__ Это среда, в которой мы будем работать.  

  - как установить:

  [Windows](https://github.com/FUlyankin/Intro_to_DS/blob/master/pdfs/install_conda_windows.pdf)

  [macOS](https://github.com/FUlyankin/Intro_to_DS/blob/master/pdfs/Anaconda%20installation%20guide_MacOS.pdf)

  - как открыть 1ый семинар:

  [Windows](https://github.com/FUlyankin/Intro_to_DS/blob/master/pdfs/download_and_open_sem01_windows.pdf)

  [macOS](https://github.com/FUlyankin/Intro_to_DS/blob/master/pdfs/Jupyter%20Notebook%20guide_MacOS.pdf)  

- 📦 Заведите себе anytask. Туда мы будем сдавать домашние работы.

- 📦 Часть домашних заданий сдаётся в систему Яндекс.Контест. На почты вам будут разосланы логины и пароли от неё.

  - [как зайти в контест и решить тестовое соревнование](https://github.com/FUlyankin/Intro_to_DS/blob/master/pdfs/test_contest.pdf)

  - [ссылка на тестовое соревнование](https://official.contest.yandex.ru/contest/17883/enter)

- 📦 Вторая часть заданий будет сдаваться в [anytask.](https://anytask.org) В нём надо зарегистрироваться и ввести инвайт для своей группы: 



```

БМБ 1901  LuBdyCA

БМБ 1902  a5xl0Jr

БМБ 1903  4Ope2KX

БМБ 1904  NiERtL8

БМБ 1905  dCeUWKm

БМБ 1906  zrfpbwl

БМБ 1907  rUSH2vx

БМБ 1908  Tkcqp3g

БМБ 1909  Bf2QY9a

БМБ 1910  KPKw6Y2



БММ 191   1zv8RNS

БММ 192   0Kf5VRE

БММ 193   8mOYYUj

БММ 194   cImCsEX

БММ 195   VOOZVlZ

БММ 196   1cu0iVn

```



## Домашние задания



Дедлайны по домашкам указаны либо в яндекс.контест либо в anytask. Для каждой домашки есть анонимная анкета, в которой вы можете высказать своё мнение о ней.



| домашка                         |     решение       |  стоимость |

|:-------------------------------:|:-----------------:|:----------:|

|   Введение в python             |   [решение](https://nbviewer.jupyter.org/github/FUlyankin/Intro_to_DS/blob/master/hw_solutions/HW01_basepython_solution.ipynb)                |    10      |

|   Работа в pandas               |   решения не будет                |    10      |

|   Описательные статистики       |   [решение](https://nbviewer.jupyter.org/github/FUlyankin/Intro_to_DS/blob/master/hw_solutions/HW03_pandasMedium_solution.ipynb)                |    10      |

|   Визуализация                  |   [решение](https://nbviewer.jupyter.org/github/FUlyankin/Intro_to_DS/blob/master/hw_solutions/HW04_visualization_solution.ipynb)                |    20      |

|   Регрессия                     |   [решение](https://nbviewer.jupyter.org/github/FUlyankin/Intro_to_DS/blob/master/hw_solutions/HW05_regression_solution.ipynb)                |    20      |

|   Классификация                 |  [решение](https://github.com/FUlyankin/Intro_to_DS/blob/master/hw_solutions/HW06_classification_ans.ipynb)                 |    10      |

|   АБ-тестирование               |  Отменена          |    10      |

| Групповой кекс (кекс по группам)|  решения не будет         |    10      |



## Лекции



[Найти](https://drive.google.com/drive/folders/1zdmzkIQ2TyS2_DnYz2gWXoFEjuzKrLBu?usp=sharing) все доступные лекции без смс и регистрации



## Большой план маленьких побед



_Онлайн часть:_ Вводимся в python на Datacamp. __Зачем:__ когда начинаешь учить новый язык, возникает языковой барьер. В онлайн-модуле вам предстоит через боль и страдания преодолеть этот языковой барьер. Двойной языковой барьер. Курсы будут на английском. Не зря же вы его учите...



- [__sem01__](./sem01) решаем в python задачки и убеждаемся, что мы уже много умеем, но многому ещё нужно научиться.

- [__sem02__](./sem02) знакомимся с pandas, работаем с таблицами.

- [__sem03__](./sem03_stat) продолжаем работать с pandas. Решаем задачки на описательные статистики.

- [__sem04__](./sem04_visual) строим в python свой первый визуал.

- [__sem05__](./sem05_regression) знакомимся со своей первой моделью машинного обучения: линейной регрессией, разбираемся как она работает, говорим про деревья и случайный лес.

- [__sem06__](./sem06_regression) оцениваем свою первую регрессию.

- __sem07__ На этом семинаре нас ожидает контрольная работа. Надо будет за полтора часа решить несколько простых задачек в питоне.

- [__sem08__](./sem08_classif_metr) разбираемся с классификацией и метриками для неё.

- [__sem09__](./sem09_classif_algo) разбираемся с алгоритмами классификации: KNN, случайный лес.

- [__sem10__](./sem10_classif) гоняем алгоритмы классификации на компьютере.

- [__sem11__](./sem11_AB) разбираемся что такое AB-тест и как проверяют гипотезы.

- [__sem12__](./sem12_AB) проводим AB на компьютере, разбираемся что такое бутстреп.



__Задумка:__  ввелись в python, а затем прошлись по всем составным частям ML-пайплайна от работы с данными до обучения моделей и AB-тестов.



## Самый важный раздел



Оценка ставится по формуле:



```

Накоп = 0.1*DC + 0.2*СР + 0.2*КР + 0.5*ДЗ



Итог = max(0.3*ЭКЗ + 0.7*Накоп, 0.5*ЭКЗ + 0.5*Накоп)

```



- [ ] DC - ваша оценка за онлайн-часть

- [ ] СР - средняя оценка, полученная за самостоятельные работы. Учитывается три лучшие работы из четырёх. В новых реалиях самостоялки проводятся в Яндекс.Контест в строго лимитированное время.

- [ ] КР - ваша оценка за контрольную работу, она проводится в Яндекс.Контест

- [ ] ДЗ - итоговая оценка, полученная за 8 домашних работ. Часть работ будет проверяться в Яндекс.Контест. Часть сдаётся в anytask.

- [ ] ЭКЗ - оценка, полученная за экзамен.



## Контрибьюторы и создатели



- [Беднарский Роман](https://github.com/Bromanskiy): лекции, notebooks

- [Теванян Элен](https://github.com/elentevanyan): лекции, семинары, notebooks

- [Степанюк Ира](https://github.com/idStep): семинары, notebooks

- [Кутынина Катя](https://github.com/EkaterinaKut): семинары, notebooks

- [Ахматнуров Марат](https://github.com/maratakhm): семинары, notebooks

- [Попенова Полина](https://github.com/polyhex-sqr): семинары, notebooks

- [Ульянкин Пилиф](https://github.com/FUlyankin): семинары, notebooks

- [Максимовская Настя](https://github.com/AnastasiyaMax): семинары, notebooks

- [Ярослав Старухин](https://github.com/star-yar): notebooks



## Лицензия



Весь контент, созданный для этого курса распространяются на правах лицензии [Creative Commons Attribution-Share Alike 4.0.](https://creativecommons.org/licenses/by-sa/4.0/deed.ru) Материалы публикуются как общественное достояние.