Machine Learning

Цей курс 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.

Ми пропонуємо допомогу у працевлаштуванні наших випускників.

Хоча ми знаходимося в Україні, у нас також є студенти з різних країн, так як навчання буде українською, російською, англійською і навіть іспанською мовами, а всі навчальні матеріали англійською!

Топ скілс після курсу:

• Досвід 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;