EAS-020
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.
Удостоверение о прохождении
Смотреть пример
24 академ. часов
Онлайн
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 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 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
Big Data Analyst
Расписание курсов
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
Курс проводят
Петрова Яна
Специалист в области машинного обучения
Записаться на курс
32 000 ₽
28 800 ₽ — для физ. лиц
Юр. лицо — 32 000 ₽
Физ. лицо — 28 800 ₽
27.05.2025, Онлайн
27.05.2025, Онлайн
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
