ТРИВАЛІСТЬ
90 годин

ЯК ЧАСТО

Пн Ср Пт

СТАРТ

4 Листопада

ПЛАТА:

15000 грн

Програма

  • Постановка завдання машинного навчання;
  • Конструювання ознак;
  • Функції втрат;
  • Генералізація та оцінка моделі;
  • Оптимізація гіперпараметрів;
  • Вибір моделі;
  • Лінійна регресія;
  • Логістична регресія.
  • Метод k-найближчих сусідів;
  • Моделі на основі дерев;
  • Ансамблеві методи;
  • Adaboost;
  • XGBoost;
  • Метод опорних векторів (SVM);
  • Введення в нейронні мережі;
  • Рекомендаційні системи;
  • Колаборативна фільтрація.

Вимоги:

Для цього курсу потрібен досвід у наступному:

  • Володіння основами програмування на python;
  • Досвід роботи з такими пакетами як, Pandas, NumPy, Matplotlib;
  • Знання Математики: лінійна алгебра, диференціальні рівняння, теорія ймовірності, статистика.

Machine Learning

Цей модуль починається зі вступу до машинного навчання: як воно організоване, які є підгалузі машинного навчання, фундаментальні відмінності між цими підходами та типи проблем, для вирішення яких вони призначені.

Потім студенти знайомляться з постановкою задачі машинного навчання, вибираючи відповідну цільову функцію та алгоритм для даної задачі Добре відомо, що обробка даних та вибір функцій займають більшу частину часу розробки моделі. Студенти вивчають методи, що дозволяють ефективно справлятися з відсутніми значеннями, викидами, категоріальними змінними та створюють нові функції.

Цей курс також охоплює алгоритми, які використовуються, коли відома цільова змінна, яка повинна бути передбачена. Він починається з простого KNN та закінчується повністю підключеними нейронними мережами з прямим зв’язком. Правильне тестування моделі необхідне для створення надійного продукту. Студенти знайомляться з різними методами та параметрами тестування, які допомагають будувати узагальнені та стійкі моделі.

Топ скілс після курсу:

  • Досвідом в математичних обчисленнях з використанням популярних пакетів Python, таких як NumPy або Scikit-Learn;
  • Знаннями як використовувати лінійні / нелінійні моделі;
  • Як підготувати дані до побудови моделей (feature engineering)
  • Як навчати і оцінювати ефективність моделей машинного навчання
  • Як налаштовувати гіперпараметри моделі і вибирати фінальну модель
  • Глибоке розуміння моделей навчання з учителем і без, як приклад лінійна регресія, логістична регресія, SVM, кластеризація і К найближчих сусідів;
  • Уявлення про те, як насправді працює магія нейронних мереж, і зможете написати їх самостійно;
  • Створення відтворюваних конвеєрів machine learning pipelines;
  • Досвід застосування вивчених методів для вирішення реальних проблем;

online