Основы машинного обучения
Длительность
24 ак.ч.
Локация
Онлайн
Код
EAS-020
31 000 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.
После прохождения курса выдается
удостоверение о повышении квалификации государственного образца
удостоверение о повышении квалификации государственного образца
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 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.)
- Что такое машинное обучение
- Виды моделей машинного обучения
- Этапы машинного обучения
- Типовые задачи
- Компоненты решений задач
-
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.)
- Оценка моделей
- Функции потерь
- Виды метрик
- Разбиение на выборки: обучающую, тестовую, проверочную
-
4. Линейные методы для регрессии и классификации (теория – 1 ч., практика – 2 ч.)
- Линейная регрессия
- Логистическая регрессия
- Оптимизация: градиентный спуск
-
5. Деревья (теория – 1 ч., практика – 2 ч.)
- Деревья решений
- Ансамбли: бустинг, бэггинг (случайный лес)
-
6. Методы кластеризации (теория – 1 ч., практика – 2 ч.)
- Разновидности методов
- Оценка качества кластеризации
- K-means
- DBSCAN
-
7. Снижение размерности (теория – 1 ч., практика – 2 ч.)
- Зачем снижать размерность
- Методы отбора признаков
- Методы конструирования признаков
- Выявление аномалий
-
8. Нейронные сети (теория – 1 ч., практика – 3 ч.)
- Нейросетевой подход в машинном обучении
- Популярные типы задач, решаемые нейронными сетями
- Устройство нейронных сетей
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.
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 😊
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.
