Настройка репозитория

Чтобы гарантированно запускать примеры из семинаров с теми же версиями библиотек, а также запускать задачи из домашнего задания необходимо создать вирутальное окружение с python3.6.

Пример настройки с использованием virtualenv

1. Создайте виртуальное окружение virtualenv -p python3.6 <path_to_dir_where_env_will_be_stored>
2. Активируйте source <path_to_the_dir/bin/activate> (для windows: <path_to_the_dir\Scripts\activate>), для выхода используйте команду deactivate
3. Установите необходимые пакеты pip install -r <path_to_rep_requirements.txt> Выполнив эту команду, вы получите такую же кофигурацию библиотек, которая используется на семинарах, лекциях и в домашних заданиях.

Jupyter Notebook

Большую часть кода мы будем писать и изучать в jupyter notebook (нужные пакеты указаны в файле requirements.txt). Нужно поднять сервер Jupyter Notebook.

1. Выполните команду jupyter notebook --port 3040 --port-retries=0 --ip='*' --no-browser. Теперь вы можете зайти в браузере на страницу http://localhost:3040/tree и увидеть проводник. Корневой папкой будет та, находясь в которой, вы выполнили команду запуска.
2. Добавьте в jupyter notebook созданное ранее виртуальное окружение как новый Kernel. Находясь в виртуальном окружении выполните команду python -m IPython kernel install --user --name=<name_of_kernel>.
   Теперь вы можете переключиться на нужное ядро через Kernel > Change kernel прямо в открытом ноутбуке с кодом.

---

Примерный план занятий

1. Лекция

• Flow проектов: какие есть этапы и зачем они нужны
• Роли в ds команде
• Кейс про очереди

1. Семинар

• Как организовывать код проектов
• Основы git
• virtualenv и пакеты в питоне

---

2. Лекция

• Presale стадия проекта: важные моменты
• Визуализация данных
• Статистический анализ
• Когнитивные искажения и как их обходить
• Базовые понятия map reduce

2. Семинар

• Визуализация данных в питоне на примерах
• Работа с pandas, numpy, scipy при анализе данных
• Пример Map Reduce в Питоне

---

3. Лекция

• Градиентный бустинг и бэггинг
• Нюансы обучения и применения на практике
• Кейс про рекомендации к заказу

3. Семинар

• Обзор библиотек градиентного бустинга в питоне
• Паттерны при обучении моделей

---

4. Лекция

• Линейные модели и Нейронные сети
• Нюансы обучения и применения на практике
• Кейс про оптимизацию рекламного бюджета / проверку автомобилей

4. Семинар

• Обзор библиотек для обучения линейных моделей и для нейронных сетей

---

5. Лекция

• Тройственность метрик (оффлайн-онлайн-лосс) и как с ней жить
• Общепринятые метрики в разных областях и задачах
• Методы кастомизации моделей под метрики при обучении
• Быстрые кейсы на постановку и выбор метрики

5. Семинар

• Реализация кастомных лоссов в разных библиотеках (gb и nn)
• black box optimization

---

6. Лекция

• Основные паттерны программирования: фабрика, адаптер, синглтон и другие
• Архитектура сервиса для применения моделей: важные составляющие, взаимодействие, проблемы

6. Семинар

• Реализация основных паттернов программирования в питоне
• Прототипирование задач на питоне
• Реализация ml сервиса на питоне

---

7. Лекция

• Оптимизация работы ds кода: извлечение tf матриц, numpy-изация, обёртки над плюсовым кодом
• Кейс про проверку автомобилей / оптимизацию рекламного бюджета

7. Семинар

• Основы html+css (и немного javascript)
• Майнинг данных из внешних источников

---

8. Лекция

• Основы проверки статистических гипотез и АБ тестирование

8. Семинар

• Основы проверки статистических гипотез и АБ тестирование (практика)

---

9. Резервные темы (также можем расширить по предложению слушателей, пишите сюда)

• Продвинутые паттерны в аб тестировании
• Как проходят собеседования в DS
• Дополнительные кейсы
• Подробнее про Map Reduce
• Как работают базы данных