EAS-025

Машинное обучение на практике

Вводный практический курс по машинному обучению. Рассматривается полный цикл построения решения: от выделения исходных данных («.xlsx файл») через построение модели и до объяснения конечному заказчику особенностей данных и специфики полученного результата. Теоретические разделы - классификация, регрессия, предсказания, ансамбли – даются в обзорном режиме, в объёме, необходимом для корректного построения и понимания разбираемых примеров.

Удостоверение о прохождении

Смотреть пример

24 академ. часов

Онлайн

Подробнее

О чём курс

Курс построен вокруг нескольких практических кейсов, содержащих таблицы с исходными данными.

По каждому кейсу проходим полный жизненный цикл проекта машинного обучения:

исследование, очистка и подготовка данных,

выбор метода обучения, соответствующего задаче (линейная регрессия для регрессии, случайный лес для классификации, К-средние и DBSCAN для кластеризации),

обучение с использованием выбранного метода,

оценка результата,

оптимизация модели,

представление результата заказчику.

На дискуссионной части курса обсуждаем стоящие перед слушателями практические задачи, которые можно решить рассмотренными методами.

Цели

Понять, какие задачи можно решать машинным обучением (и узнать, что Big Data это всего лишь подраздел, а не обязательное требование).

Научиться применять начальные методы машинного обучения и с помощью быстрого прототипирования научиться отвечать на вопрос «оценить реальную прибыль от возможного внедрения».

Подсветить, какие данные необходимо собирать и что может потребоваться от них в ближайшем будущем. Почему «хотим хранить петабайты» это не всегда просто прихоть.

Подготовится к более сложным темам, в частности – к полным решениям реальных сложных бизнес-задач.

Посмотреть, как именно машинное обучение стыкуется с классической аналитикой. В частности, убедиться, что не обязательно (и даже вредно) увольнять всех существующих аналитиков для внедрения концепции.

Целевая аудитория

Основная:

Аналитики

Менеджеры проектов, связанных с данными

Технические лидеры / ведущие разработчики в любых проектах, связанных с данными

Бизнес-аналитики

Дополнительная:

Разработчики

Инженеры данных (Data Engineer)

Архитекторы, системные проектировщики

Предварительная подготовка

Умение читать простой код на Python и писать на любом скриптовом языке.

Для кого

Разработчик

Бизнес-аналитик

Руководитель проекта

Data Engineer

Архитектор ПО

Программа курса

01 Обзор задачи

Какие задачи хорошо решаются машинным обучением, а какие им пытаются решать.

Что произойдёт, если вместо Data Scientist взять неспециалиста в данной области (просто разработчика/аналитика/менеджера) с ожиданием, что в процессе научится.

02 Подготовка, очистка, исследование данных

Как разобраться в исходных бизнес-данных (и вообще обнаружить в них какой бы то ни было порядок).

Последовательность обработки.

Что можно и нужно переложить на аналитиков предметной области, а что лучше сделать самому Data Scientist.

Приоритеты решения конкретной задачи.

03 Классификаторы и Регрессоры

Практический раздел - хорошо формализованные задачи с подготовленными данными.

Разница между задачами (бинарная/небинарная/вероятностная классификация, регрессии), перераспределение задач между классами.

Примеры классификации практических задач.

04 Кластеризация

Где и как проводить кластеризацию: исследование данных, проверка постановки задачи, проверки результатов.

Какие случаи можно свести к кластеризации.

05 Оценка моделей

Бизнес-метрики и технические метрики.

Метрики для задач классификации и регрессии, матрица ошибок.

Внутренние и внешние метрики качества кластеризации.

Кросс-валидация.

Оценка переобучения.

06 Оптимизация

Что делает одну модель лучше другой: параметры, признаки, ансамбли.

Управление параметрами.

Практика выбора признаков.

Обзор инструментария для поиска лучших параметров, признаков и методов.

07 Графики, отчеты, работа с живыми задачами

Как доступно объяснить происходящее: себе, команде, клиенту.

Более красивые ответы на бессмысленные вопросы.

Как презентовать три терабайта результатов на одном слайде.

Полуавтоматические тесты, какие точки контроля процесса действительно нужны.

От живых задач к полному R&D процессу («НИОКР на практике») – разбор и анализ задач от аудитории.

08 Всего: теория – 13 ч. (54%), практика – 11 ч. (46%)

39 000 ₽

35 100 ₽ — для физ. лиц

Записаться на курс

39 000 ₽

35 100 ₽ — для физ. лиц

Записаться на курс

39 000 ₽

35 100 ₽ — для физ. лиц

Юр. лицо — 39 000 ₽

Физ. лицо — 35 100 ₽

Открытая дата

Ознакомлен с политикой обработки персональных данных

Cоглашаюсь с условиями обработки персональных данных

Связанные курсы

EAS-020

24 часа

Основы машинного обучения

Основы машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Курс дает представление об основных группах методов машинного обучения и их применении для решения задач анализа текстов, прогнозирования цены и выдачи рекомендаций. В практической части курса участники будут работать с признаками, перебирать параметры моделей и строить ансамбли, используя язык Python.

от Middle

32 000 ₽

EAS-027

30 часов

Машинное обучение с подкреплением: обычное и глубокое

В этом курсе дается общий обзор метода обучения с подкреплением (Reinforcement Learning, RL). Мы начнем с необходимой математики, рассмотрим базовые алгоритмы RL и поговорим о глубоком обучении с подкреплением (Deep RL), а также о новейших методах машинного обучения, используемых в настоящее время. Мы подробно рассмотрим некоторые применения и расскажем о важнейших достижениях в этой области.

от Senior

54 500 ₽

Наши ученики работают в:

Наши клиенты

Машинное обучение на практике

39 000 ₽

О чём курс

Цели

Целевая аудитория

Предварительная подготовка

Для кого

Программа курса

39 000 ₽

39 000 ₽

Записаться на курс

Связанные курсы

Наши ученики работают в:

Наши клиенты

Не нашли, что искали? — Просто напишите, и мы поможем