Курс Machine Learning. Работа с машинным обучением и анализом данных

Идет набор на курс!
Срок обучения
18 занятий
Стоимость:
Стоимость за весь курс
10 000 грн.
Описание
Курс Machine Learning. Работа с машинным обучением и анализом данных

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 1
Длительность занятия
Часы занятий
Группы
Возраст аудитории Студенты, Взрослые
Вид подготовки Базовый курс
Город Центр
Преподаватель специалист-практик
Учебные материалы
Пробное занятие
Документ об окончании Сертификат
Опции Групповые занятия, Индивидуальное обучение
Трудоустройство Нет
Условия трудоустройства

Запись на курс

Пользователи
Select people to associate with this registration.
This registration is for
Select person
Person type
New Контакт

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
Адрес:
  • г. Одесса, Канатная 22 (2 этаж)