Фоновый баннер

Машинное обучение

Подробнее о курсе

Краткое описание курса
На курсе Вы изучите принципы математических алгоритмов, современные библиотеки, feature engineering и оценку моделей, примените все изученные методы на финальном проекте и сможете собрать Git-репозиторий с решенными кейсами.

Цель курса
Отработка практических навыков программирования глубоких нейронных сетей.

Целевая аудитория курса
Программисты, аналитики

Получаемые знания и навыки

  • Формулировать задачу для data science проекта
  • Подбирать алгоритмы и метрики под задачу для разных моделей
  • Строить модели машинного обучения с помощью библиотеки Sklearn
  • Оценивать качество моделей машинного обучения
  • Интерпретировать результаты и составлять отчёт об исследовании

Необходимая предварительная подготовка

  • Знание языка Python

Предварительно рекомендуется прослушать курс(ы)

Краткое содержание курса

  • Библиотека Sklearn: использование в работе
  • Алгоритмы классификации: линейные методы, логистическая регрессия и SVM
  • Алгоритмы классификации: деревья решений
  • Алгоритмы регрессии: линейная и полиноминальная
  • Алгоритмы кластеризации
  • Построение ансамблей моделей, оценка точности модели, переобучение, регуляризация, улучшение качества модели
  • Работа с GridSearch и RandomizedSearch, Model Specific CV, Out of Bag approach
  • Организация data-science проекта, составление отчётов по исследованиям
  • Работа с заказчиком (планирование разработки проекта, взаимодействие с заказчиком по результатам исследований)
  • Рекомендательные системы: введение и классификация, построение персонализированных и неперсонализированных рекомендательных системах, их комбинация
  • Content-based рекомендации
  • Collaborative Filtering
  • Гибридные алгоритмы
  • Компьютерное зрение:
  • основные техники машинного зрения: извлечение признаков, поиск по картинкам, сегментирование, детекция объектов,
  • Построение нейросети, генеративные конкурирующие сети (GAN)
  • Применение сверхточных нейронных сетей для задач сегментации и детекции
  • Применение рекуррентных сетей в задачах обработки изображений
  • Практическое задание
  • Обработка естественного языка (Natural Language Generation), генерация текста
  • Морфологический и синтаксический анализ
  • Методы снижения размерности в векторной модели. Информационный поиск
  • Тематическое моделирование (LSA, LDA, HDP)
  • Дистрибутивная семантика (word2vec, GloVe, AdaGram)
  • Счётные языковые модели и вероятностные языковые модели. LSTM. Машинный перевод
  • Задача классификации в АОТ
  • Временные ряды. Происхождение и структура временного ряда
  • Прогнозирование будущих значений для эффективного принятия решений при построении моделей машинного обучения, алгоритмы обработки временных рядов
  • Марковские случайные процессы
  • Модели ARIMA и GARCH
  • Практический кейс: соревнование в мини-группах на решение задач по прогнозированию продаж или оптимизации производства
  • Итоговое задание: построение ML-модели для решения текущих профессиональных задач

Отзывы по курсу