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
31 000 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
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.

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 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
  • 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.
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.