Slides from open python/machine learning lecture.

1. Art of coding and machine
learning

2. Про меня
1.Работаю python team lead в ecoisme
2.Занимаюсь програмированием 2 года
3.Выучился сам
4.Считаю это одной из самых интересных работ

3. Для кого эта лекция и о чем

4. Командная строка(shell/bash)

5. Структура лекции
1.Что такое командная строка и зачем она вообще нужна
2.Как создается код и что он из себя представляет
3.Архитектура web приложений(сайтиков там всяких)
4.Machine learning - захватывают ли машины мир?

6. Языки програмирования - как языки разговорные
Интерпретируемые / компилируемые
Объектно ориентированные / функционально ориентированные
Выучив один - легче учить остальные

7. Исполнение и написание кода
1.В текстовом файле с расширением .py
2.В интерпретаторе. В терминале запускаем команду `python` и дальше
печатаем что надо

8. Operations(операции) - как обычная математика

9. Переменные(variables) - как буквы/слова

10. Операции + переменные

11. Conditional statements - знаки препинания
В зависимости от выполнения условия менять развитие событий

12. For loops - действие для каждого объекта в списке

13. Функции - как предложения

14. Классы - как сложные предложения

15. Модули - как параграфы
Если есть два файла - module1.py и module2.py
Со временем модулей становится больше, образуются вложенные папки и
можно сказать что все это уже трансформируется в книгу.

16. Хранение кода - использование репозиториев
GitHub - https://github.com/
BitBucket - https://bitbucket.org/
GitLab - https://gitlab.com/

18. Архитектура web приложения
База данных Наш код Браузер

19. Базы данных(SQL/ NoSQL)

20. Запросы с браузера
Дай мне всех моих
друзей
SELECT * FROM friend
WHERE friend.user_id =
current_user
[{“name”:Mike, “Age”: 22},
{“name”: Anna, “Age”: 19},...] Отрендеренная красивая страничка
Валидация запросов
Проверка регистрации
Построение выборок
Еще много чего

22. Типы machine learning
1.Supervised learning(с учителем)
Linear regression
Logistic regression
1.Unsupervised learning(без учителя)
Clusterization
Anomaly detection

23. Linear regression

24. Logistic regression

25. Clusterization

26. Neural Networks

27. Можно объяснить легче

28. Что дальше?
1.Выбрать что именно инетересно и учиться в том направлении
2.Творить, менять мир)
Некоторые курсы/книги:
http://greenteapress.com/wp/think-python-2e/ - книга по питону
https://www.coursera.org/learn/machine-learning - stanford machine learning
course
https://www.udacity.com/course/deep-learning--ud730 - udacity machine learning
courses from Google
https://docs.google.com/presentation/d/1RGuKxpDSw295Ba1Yyzw94vf1yr6xlCW
2KRyu1hG8CK8/edit?usp=sharing - ссылка на лекцию

29. Спасибо что пришли)

30. Мои контакты
ikhlestov@gmail.com
https://www.facebook.com/i.khlestov
https://ua.linkedin.com/in/ikhlestov
https://vk.com/ikhlestov
Skype - illarion.khlyestov