Новые складчины | страница 34

‌ ​

Андрей Кобец (kobezzza) — руководитель отдела Frontend разработки сервиса Яндекс.Едадил. Стаж программирования более 18 лет.
2 часа 40 минут самой важной информации по Объектно ориентированному программированию в JavaScript.
Базовый «Только Видео». Ты получишь ссылку навсегда и сможешь постигать тему в любое время. Ты всегда сможешь вернуться и что-то повторить!

Продажник:

​

kobezzza.channel

ИНТЕНСИВ ПО VUE 3. ЧАСТЬ 1

Самый исчерпывающий интенсив на 6,5 часов по работе с Vue 3. Интенсив сфокусирован именно на библиотеке с детальным разбором не только того, как сделать приложение на Vue, но и как работает сама библиотека. Подходит для JS программистов уровня Junior Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть... и выше.

‌Андрей Кобец (kobezzza) — руководитель отдела Frontend разработки сервиса Яндекс.Едадил. Стаж программирования более 18 лет.

​

Для кого?
Для таргетологов, которые живут в России и хотят работать с клиентами в Facebook и Instagram стабильно и без блокировок.

Что будет?
• какими сервисами пользоваться, как и где покупать объекты;
• как обходить блокировки и работать стабильно;
• как и через что оплачивать рекламу;
• и много других тонкостей, благодаря которым я сейчас работаю стабильно и без блокировок.

Сколько по времени?
Интенсив примерно будет длиться 2 часа.
Формат: прямой эфир + запись.

Когда?
Предварительная дата - 15.12.2022.

​

Описание
Это чисто прикладной курс по data science и машинному обучению, никакой математики, никакой теории, только решение реальных задач с помощью pandas и мощного CatBoost.

Чтобы успешно решать прикладные задачи с помощью машинного обучения, не нужно знать никакой математики, нужно уметь пользоваться конкретным инструментом. Этот инструмент – CatBoost. Вместо того, чтобы лежать под автомобилем или ковыряться в движке, мы будем сразу на нем ездить.

Если хочешь научиться машинному обучению и data science на интуитивном уровне, то этот курс тебе подойдет. А уже после моего курса можно углубиться в теорию и математику, курсов по которым бесчисленное множество.

Также мой курс станет отличным дополнением к более классическим курсам по data science и машинному обучению, если такие уже тобой пройдены.

Мой принцип: сначала интуиция – потом теория.

Этот курс лучше всего подойдет начинающим аналитикам и дата саентистам. Совсем начинающим без опыта в аналитике или программировании курс может показаться немного сложным, но попробовать можно: в начале курса я провожу чек-ап знаний по python и pandas, который по совместительству является курсом молодого бойца, и там можно научиться всему необходимому.

Идеально, если есть минимальное знакомство с python или pandas. Или опыт работы с данными в Excel. Но сегодняшние инструменты настолько интуитивны, что можно попытаться разобраться и с абсолютного нуля: посмотри бесплатную вводную часть курса и реши подходит тебе или нет.

​

Добро пожаловать на самый полный курс по Машинному Обучению и Data Science!

Этот курс - лучший способ начать с нуля и стать специалистом по data science и машинному обучению с помощью Python.

Это русскоязычная версия курса, который Хосе и его команда готовили больше года. И это уже после того, как предыдущие курсы прошли более 2 миллионов слушателей.

Этот объёмный курс может заменить Вам целый набор других курсов, которые могут стоить в десятки раз больше.

В этом курсе Вы изучите следующие темы:
- Программирование в Python (экспресс-курс)
- NumPy в Python
- Детальное изучение Pandas для анализа и предварительной обработки данных
- Детальное изучение Seaborn для визуализации данных (включая Matplotlib для кастомизации графиков)
- Машинное обучение с помощью SciKit Learn, включая следующие темы:
-- Linear Regression - Линейная Регрессия;
-- Regularization - Регуляризация;
-- Lasso Regression - Лассо-Регрессия;
-- Ridge Regression - Ридж-Регрессия;
-- Регуляризация Elastic Net;
-- Logistic Regression - Логистическая регрессия;
-- K Nearest Neighbors - Метод К-ближайших соседей;
-- Decision Trees - Деревья решений;
-- Random Forests - Случайные леса;
-- AdaBoost, GradientBoosting - Адаптивный бустинг, Градиентный бустинг;
-- Natural Language Processing - Обработка языковых данных;
-- K Means Clustering - Кластеризация К-средних;
-- Hierarchical Clustering - Иерархическая кластеризация;
-- DBSCAN (Density-based spatial clustering of applications with noise) - Кластеризация на основе плотности данных;
-- PCA - Principal Component Analysis - Метод главных компонент;
-- И многое, многое другое!

Внутри курса находится набор блокнотов Jupyter Notebook на русском языке с примерами кода и детальным описанием. Для каждого лекции это отдельные блокноты, которые разложены по папкам с соответствии с разделами курса. Так что, Вы сможете не только просмотреть видео-лекции, но и прочитать блокноты. Это особенно удобно, когда Вам нужно что-то вспомнить, или быстро пробежаться по материалу в поисках нужной информации.

Объем: 14.29Гб.