EAS-020
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.
Удостоверение о прохождении
Смотреть пример
24 академ. часов
Онлайн
Подробнее
О чём курс
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 проводится с применением языка Python в ноутбуках с обучением разных моделей, чтобы самостоятельно увидеть и почувствовать, что и когда хорошо применять. Используем фреймворк Scikit-learn.
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 проводится с применением языка Python в ноутбуках с обучением разных моделей, чтобы самостоятельно увидеть и почувствовать, что и когда хорошо применять. Используем фреймворк Scikit-learn.
Цели
Целевая аудитория
Разработчики, аналитики, руководители разработки.
Предварительная подготовка
Для кого
Разработчик
Дата-аналитик
ML Engineer
Улучшаемые навыки
машинное обучение
Python
Scikit-learn
Нейросети
Кластеризация
Регрессия
Классификация
Ансамбли
Инструменты
Python
Scikit-learn
TensorFlow
NumPy
Pandas
Программа курса
01
Виды задач машинного обучения
02
Библиотеки для машинного обучения
03
Выборки и валидация
04
Линейные методы для регрессии и классификации
05
Деревья
06
Методы кластеризации
07
Снижение размерности
08
Нейронные сети
Чему вы научитесь
01
Выполнять задачи классификации, регрессии и кластеризации.
02
Подготавливать и обрабатывать данные для машинного обучения.
03
Оценивать качество моделей с помощью различных метрик.
04
Строить и оптимизировать ансамбли моделей.
05
Применять нейронные сети для решения реальных задач.
Записаться на курс
32 000 ₽
28 800 ₽ — для физ. лиц
Юр. лицо — 32 000 ₽
Физ. лицо — 28 800 ₽
Открытая дата
Отзывы о курсе
Отзывы учеников
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
EAS-025
24 часа
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.
от Middle
39 000 ₽
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
