Основы машинного обучения
Длительность
24 ак.ч.
Локация
Онлайн
Код
EAS-020
07.08.2023 - 11.08.2023
41 500 руб.
* Для физических лиц действует скидка 10% Закажите корпоративное обучение с учетом ваших потребностей
Описание
На курсе дается представление об основных группах методов машинного обучения:- классификации,
- предсказании,
- кластеризации,
- ансамблях,
- рекомендационных системах,
- глубоком обучении.
Практическая часть построена на использовании готовых реализаций в Spark ML или Scikit-learn для решения конкретных задач.

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;
- распознавать виды задач, решаемых методами машинного обучения, и выбирать подходящие методы;
- уметь оценивать построенные модели;
- уметь готовить входные данные и интерпретировать результаты, выдаваемые моделями;
- использовать готовые реализации методов машинного обучения.
Целевая аудитория
Разработчики, архитекторы, бизнес-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. Задачи машинного обучения
-
2. Признаки и работа с ними
-
3. Оценка моделей
-
4. Методы классификации
-
5. Методы прогнозирования
-
6. Методы кластеризации
-
7. Ансамбли
-
8. Рекомендационные системы
-
9. Глубокое обучение
Примечание
Материалы курса представлены на английском языке.
Раcписание курсов
Вид:
Тренеры

Новиков Петр
Специалист в области Data Science
Кандидат физико-математических наук, специалист по анализу данных и машинному обучению, общий опыт работы в IT-сфере — 10 лет, в том числе опыт работы в международных распределенных командах — 2 года, опыт преподавательской работы — 5 лет.
Работал в крупной американской корпорации, разрабатывающей персональные гаджеты и ПО, где применил методы оптимизации и машинного обучения для оптимизации процессов производства широкого спектра электронных изделий. Развил идею руководителя до полноценного внутреннего продукта, имеющего широкое применение внутри производственных подразделений компании. Выполнял роль технического руководителя проекта. Поначалу выполнял почти всю работу единолично, затем команда постепенно выросла до 10 человек.
Кандидат физико-математических наук, специалист по анализу данных и машинному обучению, общий опыт работы в IT-сфере — 10 лет, в том числе опыт работы в международных распределенных командах — 2 года, опыт преподавательской работы — 5 лет.
О проектах:
В рамках своих проектов занимался обеспечением IT-поддержки для процесса рекрутирования, тестирования и найма большого количества претендентов на большом заводе. Имеет опыт построения веб-приложения, агрегирующего данные со сторонней системы автоматизации найма и данных из собственной системы оценки навыков, разработки и поддержки системы оценки навыков (веб-приложение); совмещения ролей бизнес-аналитика, системного аналитика, эксперта по UI/UX, Frontend-инженера, Backend-инженера и системного администратора.Работал в крупной американской корпорации, разрабатывающей персональные гаджеты и ПО, где применил методы оптимизации и машинного обучения для оптимизации процессов производства широкого спектра электронных изделий. Развил идею руководителя до полноценного внутреннего продукта, имеющего широкое применение внутри производственных подразделений компании. Выполнял роль технического руководителя проекта. Поначалу выполнял почти всю работу единолично, затем команда постепенно выросла до 10 человек.
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.