Курс Machine Learning. Работа с машинным обучением и анализом данных
Описание
На курсе будут рассмотрены различные задачи машинного обучения с точки зрения работы с данными и особенностей различных моделей машинного обучения.
На курсе используется язык Python — самый распространенный на сегодняшний день язык для работы с машинным обучением и анализом данных. На курсе студенты научатся работать с традиционными алгоритмами и методами машинного обучения, нейронными сетями, а также обработкой естественных языков и компьютерным зрением.
ЦЕЛИ КУРСА:
- Научиться подготавливать данные и конструировать признаки
- Научиться определять типы необходимой модели машинного обучения
- Научиться выбирать алгоритм оптимизации, регуляризация модели
- Научиться выбирать метрики для контроля качества модели
- Визуализировать полученные результаты
| Дни недели занятий | на выбор |
|---|---|
| Время занятий | на выбор |
| Занятий в неделю | 2 |
| Длительность занятия | |
| Часы занятий | |
| Группы | |
| Возраст аудитории | Взрослые |
| Вид подготовки | Базовый курс |
| Город | Печерский |
| Преподаватель | специалист-практик |
| Учебные материалы | |
| Пробное занятие | |
| Документ об окончании | Сертификат |
| Опции | Групповые занятия, Индивидуальное обучение |
| Трудоустройство | Нет |
| Условия трудоустройства |
Запись на курс
Программа обучения
1. Науки, на которых базируется машинное обучение
- Линейная алгебра
- Статистика
- Оптимизация
- Типы задач машинного обучения — классификация и прогноз
2. Основные этапы проекта машинного обучения
- Подготовка данных
- Выбор модели, настройка гиперпараметров модели
- Граф вычислений
- Метрики для контроля качества модели
3. Перспептрон — простейшая нейронная сеть (ч.1)
- Матричные операции при прямом распространении сигнала
- Матричные операции при обратном распространении сигнала
- Градиент целевой функции
4. Перспептрон — простейшая нейронная сеть (ч.2)
- Механизм обновления весов — обучение!
- Сравнение реализации персептрона с помощью NumPy и Keras — скорость и удобство
- Методы регуляризации и batch-обучение
5. Рекуррентные нейронные сети
- Последовательные структуры данных вокруг нас
- Проблема взрывных и исчезающих градиентов
- LSTM- и GRU-вентили в архитектуре рекуррентных нейронных сетей
6. Сверточные нейронные сети
- Операция свертки для простейших функций
- Фильтры для получения признаков изображения с помощью сверток
- Анализ ключевых элементов архитектуры сверточных нейронных сетей
- Наиболее распространенные архитектуры сверточных нейронных сетей
7. Автокодировщики
- Сжатие информации при прохождении сигнала через автокодировщик
- Понижение размерности, выделение признаков
- Сжатие данных и снижение уровня шума
8. Метод анализа главных компонентов
- Набор данных как многомерное пространство
- Проекции и расстояния в многомерном пространстве
- Анализ дисперсии в данных и ее влияние на распределение данных
9. Методы кластеризации
- Простановка меток или проведение границ
- Что такое сепарабельность данных
- Кластеризация в пространстве пониженной размерности: RFM-анализ потребителей
10. Ансамблевые методы
- Один сильный классификатор или много слабых
- Механизм голосования
- Нетривиальные подходы
11. Деревья и леса
- Мощная альтернатива нейронным сетям
- Решение нелинейных задач с помощью линейных инструментов
- Бустинг
12. Рекомендательные системы
- Векторы в многомерном пространстве
- Способов сказать «рядом» может быть несколько
- Различные способы кодирования информации о покупках
- г. Киев, ул. Мечникова, 14/1 (ст. метро «Кловская» 2-й этаж, офис 222а)