Основы машинного обучения
Этот тренинг дает представление об основных группах методов машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Участники узнают, как решать распространенные задачи анализа текстов, прогнозирования цены, выдачи рекомендаций и другие. В практических заданиях много времени уделяется работе с признаками, перебору параметров моделей и построению ансамблей.
24 ак.ч.
Онлайн
EAS-020
Основы машинного обучения
Записаться на курс
Длительность
24 ак.ч.
Локация
Онлайн
Код
EAS-020
Расписание и цены
41 500 руб.
* Для физических лиц действует скидка 10% Закажите корпоративное обучение с учетом ваших потребностей
Основы машинного обучения
Записаться на курс
Длительность
24 ак.ч.
Локация
Онлайн
Код
EAS-020
Расписание и цены
41 500 руб.
* Для физических лиц действует скидка 10% Закажите корпоративное обучение с учетом ваших потребностей

Описание

Классическое компактное введение в машинное обучение. Без излишнего теоретизирования, только основные принципы, подходы и важные тонкости. На самом деле, конечно, без математического анализа и теории вероятностей обойтись не получится, но мы возьмем только самый минимум.
Самое важное, чему мы учим на тренинге - пониманию, что все машинное обучение на практике – это выбор (или перебор) подходящего вида модели – регрессия, дерево, ансамбль или нейронная сеть, а дальше в дело вступает более или менее оптимизированный подбор параметров – значений коэффициентов в уравнении регрессии, условий для узлов дерева, весов для нейронов.

Теоретическая часть тренинга показывает путь к осознанному выбору подходящей для вашей задачи модели (хотя в большинстве случаев выбор сегодня между ансамблями типа XGBoost и нейронными сетями). А дальше – практика в ноутбуках с обучением разных моделей, чтобы самостоятельно увидеть и почувствовать, что и когда хорошо применять. Используем фреймворк Scikit-learn.

Цели

  • Понимать ключевые концепции машинного обучения и его отличия от других методов искусственного интеллекта;
  • Распознавать виды задач, решаемых методами машинного обучения, и выбирать подходящие методы;
  • Уметь оценивать построенные модели;
  • Уметь подготавливать входные данные и интерпретировать результаты, выдаваемые моделями;
  • Использовать готовые реализации методов машинного обучения.

Целевая аудитория

Разработчики, аналитики, руководители разработки.

Предварительная подготовка

  • Базовые навыки программирования на Scala, Java или Python;
  • умение работать в командной оболочке Unix/Linux (bash);
  • базовые знания математической статистики и теории вероятностей.

Разбираемые темы

  • 1. Виды задач машинного обучения (теория – 1 ч.)

    • Примеры задач с учителем/без учителя/с подкреплением;
    • Типовые задачи: прогноз продаж, производства, спроса, анализ поведения, распознавание образов.
  • 2. Библиотеки для машинного обучения (теория – 1 ч., практика – 2 ч.)

    • NumPy, Pandas, SciPy, Matplotlib, Scikit-learn, Tensorflow.
  • 3. Выборки и валидация (теория – 1 ч., практика – 3 ч.)

    • Виды входных данных: табличные, тексты, звук, изображения, видео;
    • Виды выходных данных;
    • Оценка моделей;
    • Функции потерь для разных классов задач;
    • Виды метрик;
    • Признаки и работа с ними: отбор, дискретизация, много классов в один, нормализация, сэмплинг, очистка;
    • Разбиение на выборки: обучающую, тестовую, проверочную.
  • 4. Методы регрессии (теория – 1 ч., практика – 2 ч.)

    • Линейная регрессия;
    • CART.
  • 5. Деревья (теория – 1 ч., практика – 2 ч.)

    • Деревья решений;
    • Логистическая регрессия.
  • 6. Методы кластеризации (теория – 1 ч., практика – 2 ч.)

    • Иерархические;
    • Спектральные;
    • K-means;
    • DBSCAN.
  • 7. Снижение размерности (теория – 1 ч., практика – 2 ч.)

    • Отбор признаков;
    • Конструирование признаков.
  • 8. Нейронные сети (теория – 1 ч., практика – 3 ч.)

    • Типы нейронных сетей;
    • Модель нейрона;
    • Многослойные нейронные сети;
    • Обратное распространение ошибки;
    • Многоклассовая классификация;
    • Обучение нейронных сетей;
    • Регуляризация в нейронных сетях;
    • Batch Normalization, Dropout, Аугментация данных.
  • Всего: теория – 8 ч. (33%), практика – 16 ч. (67%)

  • Развернуть программу
Раcписание курсов
Вид:
Регистрируйтесь на следующий курс
Предварительная регистрация гарантирует участие в обучении. Мы обязательно оповестим вас, когда курс будет запланирован
+
Отзывы (2)
Фундаментальный курс по машинному обучению. Лично для меня весь материал был новым, интересным и полезным. Больше всего понравилось, что я попрактиковался в подготовке данных и кодировании, которые мы разбирали вместе с тренером. Также он показал нам некоторые практические примеры и проблемы, с которыми мы могли столкнуться, а также обсудил и применил решения этих проблем.
Участник тренинга
Как обзор прикладных практик в области анализа данных, этот тренинг заходит неплохо. Много примеров и заданий, которые мы выполняли под руководством тренера. Отдельно стоит выделить машины Больцмана, с которыми я столкнулся первый раз. Для 24 академических часов этот курс объёмный, возможно, на него стоит выделить больше времени 😊
Участник тренинга
Связанные курсы
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.
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.
Онлайн:
12.02.2024 - 22.02.2024
Смотреть каталог
Ваши преимущества
Экспертность
Тренеры-эксперты из реальных проектов крупнейших компаний, лидеров в своей отрасли
Живое обучение
“Живая” коммуникация с тренером даже в онлайн-формате
Практика
Максимально наполненные практикой занятия, работа в группах, выполнение домашних заданий
Пользователь только что записался на курс ""
Спасибо!
Форма отправлена успешно.