Машинное обучение
Подробнее о курсе
Краткое описание курса
На курсе Вы изучите принципы математических алгоритмов, современные библиотеки, feature engineering и оценку моделей, примените все изученные методы на финальном проекте и сможете собрать Git-репозиторий с решенными кейсами.
Цель курса
Отработка практических навыков программирования глубоких нейронных сетей.
Целевая аудитория курса
Программисты, аналитики
Получаемые знания и навыки
- Формулировать задачу для data science проекта
- Подбирать алгоритмы и метрики под задачу для разных моделей
- Строить модели машинного обучения с помощью библиотеки Sklearn
- Оценивать качество моделей машинного обучения
- Интерпретировать результаты и составлять отчёт об исследовании
Необходимая предварительная подготовка
Предварительно рекомендуется прослушать курс(ы)
Краткое содержание курса
- Библиотека Sklearn: использование в работе
- Алгоритмы классификации: линейные методы, логистическая регрессия и SVM
- Алгоритмы классификации: деревья решений
- Алгоритмы регрессии: линейная и полиноминальная
- Алгоритмы кластеризации
- Построение ансамблей моделей, оценка точности модели, переобучение, регуляризация, улучшение качества модели
- Работа с GridSearch и RandomizedSearch, Model Specific CV, Out of Bag approach
- Организация data-science проекта, составление отчётов по исследованиям
- Работа с заказчиком (планирование разработки проекта, взаимодействие с заказчиком по результатам исследований)
- Рекомендательные системы: введение и классификация, построение персонализированных и неперсонализированных рекомендательных системах, их комбинация
- Content-based рекомендации
- Collaborative Filtering
- Гибридные алгоритмы
- Компьютерное зрение:
- основные техники машинного зрения: извлечение признаков, поиск по картинкам, сегментирование, детекция объектов,
- Построение нейросети, генеративные конкурирующие сети (GAN)
- Применение сверхточных нейронных сетей для задач сегментации и детекции
- Применение рекуррентных сетей в задачах обработки изображений
- Практическое задание
- Обработка естественного языка (Natural Language Generation), генерация текста
- Морфологический и синтаксический анализ
- Методы снижения размерности в векторной модели. Информационный поиск
- Тематическое моделирование (LSA, LDA, HDP)
- Дистрибутивная семантика (word2vec, GloVe, AdaGram)
- Счётные языковые модели и вероятностные языковые модели. LSTM. Машинный перевод
- Задача классификации в АОТ
- Временные ряды. Происхождение и структура временного ряда
- Прогнозирование будущих значений для эффективного принятия решений при построении моделей машинного обучения, алгоритмы обработки временных рядов
- Марковские случайные процессы
- Модели ARIMA и GARCH
- Практический кейс: соревнование в мини-группах на решение задач по прогнозированию продаж или оптимизации производства
- Итоговое задание: построение ML-модели для решения текущих профессиональных задач
