ДЛИТЕЛЬНОСТЬ
90 часов

КАК ЧАСТО

Пн Ср Пт

СТАРТ

4 Ноября

ОПЛАТА:

15000 грн

Учебный план

  • Постановка задачи машинного обучения;
  • Конструирование признаков;
  • Функции потерь;
  • Генерализация и оценка модели;
  • Оптимизация гиперпараметров;
  • Выбор модели;
  • Линейная регрессия;
  • Логистическая регрессия.
  • Метод k-ближайших соседей;
  • Модели на основе деревьев;
  • Ансамблевые методы;
  • Adaboost;
  • XGBoost;
  • Метод опорных векторов (SVM);
  • Введение в нейронные сети;
  • Рекомендательные системы;
  • Коллаборативная фильтрация.

Требования:

Для этого курса нужен опыт в следующем:

  • Владение основами программирования на python;
  • Опыт работы с такими пакетами как, Pandas, NumPy, Matplotlib;
  • Знание Математики: линейная алгебра, дифференциальные уравнения, теория вероятности, статистика.

Machine Learning

Этот модуль начинается с введения в машинное обучение: как оно организовано, каковы подотрасли машинного обучения, фундаментальные различия между этими подходами и типы проблем, для решения которых они предназначены.

Затем студенты знакомятся с постановкой задачи машинного обучения, выбирая соответствующую целевую функцию и алгоритм для данной задачи. Хорошо известно, что обработка данных и выбор функций занимают большую часть времени разработки модели. Студенты изучают методы, позволяющие эффективно справляться с отсутствующими значениями, выбросами, категориальными переменными и создают новые функции.

Этот курс охватывает алгоритмы, которые используются, когда известна целевая переменная, которая должна быть предсказана. Он начинается с простого KNN и заканчивается полностью подключенными нейронными сетями с прямой связью. Правильное тестирование модели необходимо для создания надежного продукта. Студенты знакомятся с различными методами и параметрами тестирования, которые помогают строить обобщенные и устойчивые модели.

Топ навыки, которыми вы овладеете:

  • Опытом в математических вычислениях с использованием популярных пакетов Python, таких как NumPy или Scikit-Learn;
  • Знаниями как использовать линейные /нелинейные модели;
  • Как подготовить данные к построению моделей (feature engineering)
  • Как обучать и оценивать эффективность моделей машинного обучения
  • Как настраивать гиперпараметры модели и выбирать финальную модель
  • Глубокое понимание моделей обучения c учителем и без, как пример линейная регрессия, логистическая регрессия, SVM, кластеризация и К ближайших соседей;
  • Представление о том, как на самом деле работает магия нейронных сетей, и сможете написать их самостоятельно;
  • Создание воспроизводимых machine learning pipelines;
  • Опыт применения изученых методов для решения реальных проблем;
  • Опыт построения API моделей машинного обучения.

online

Регистрация

Инструкторы Курса