Robot
Складчик
- #1
[Geekbrains] Введение в искусственный интеллект [Светлана Шорина, Дмитрий Санников, Илья Акчурин]
- Ссылка на картинку
1 модуль: Основы программирования на языке Python
Урок 1
Работа с данными и математическими операциями в Python
Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python.
Основные конструкции языка Python
Создаём алгоритмы и осваиваем основные компоненты компьютерной программы.
Структуры данных в Python
Изучаем принципы работы с данными.
Функции в Python
Изучаем, как работать с функциями.
2 модуль: Numpy и Pandas — инструменты, которые помогают получать данные
Урок 5
Pandas. Установка. Учимся работать с данными и таблицами
Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных.
Pandas. Основные функции
После того, как мы загрузили датасет, начинаем осваивать базовые функции.
Numpy: улучшение математического аппарата
Изучаем основы линейной алгебры и знакомимся с видами машинного обучения.
Numpy: машинное обучение без учителя
Узнаём, что такое обучение без учителя.
3 модуль: Работа с машинным обучением
Урок 9
Обучение с учителем. Ближайшие соседи
Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку.
Градиентный спуск
Знакомимся с методом градиентного спуска, чтобы оценивать качество работы нейронной сети.
Линейная регрессия
Прогнозируем значение переменных по заранее известным данным.
Логистическая регрессия
Прогнозируем результаты с помощью логистических функций.
Работаем с базовой нейронной сетью
Узнаём о преимуществах и недостатках нейронных сетей.
Урок 1
Работа с данными и математическими операциями в Python
Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python.
- Устанавливаем программы для прохождения курса
- Управляем вводом и выводом данных в первой программе по Python
Основные конструкции языка Python
Создаём алгоритмы и осваиваем основные компоненты компьютерной программы.
- Изучаем условия if, elif, else
- Изучаем циклы for, while
- Тренируемся программировать на Python и создаём программу с базовыми алгоритмами
Структуры данных в Python
Изучаем принципы работы с данными.
- Узнаём, как работают данные, списки, словари и файлы
- Знакомимся с датасетом — набором данных. Учимся его обрабатывать с помощью простейших операций
- Занимаемся вводом и выводом данных
Функции в Python
Изучаем, как работать с функциями.
- Узнаём, как создавать функции и передавать параметры
- Изучаем глобальные и локальные переменные
- Добавляем полезные функции к датасету из третьего урока
2 модуль: Numpy и Pandas — инструменты, которые помогают получать данные
Урок 5
Pandas. Установка. Учимся работать с данными и таблицами
Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных.
- Получаем датасет с числовыми метриками
- Устанавливаем Pandas, изучаем базовые команды и учимся работать с таблицами
- Обрабатываем датасет с помощью Pandas: загружаем и выгружаем данные
Pandas. Основные функции
После того, как мы загрузили датасет, начинаем осваивать базовые функции.
- Узнаём, как работают различные функции Pandas: подсчет, создание категорий выборок датасета и др
- Учимся применять функции из предыдущего урока на нашем датасете
Numpy: улучшение математического аппарата
Изучаем основы линейной алгебры и знакомимся с видами машинного обучения.
- Узнаём потенциал Numpy для работы с машинным обучением
- Тренируемся работать с операциями высшей математики с помощью библиотеку Numpy
Numpy: машинное обучение без учителя
Узнаём, что такое обучение без учителя.
- Строим классическую модель обучения без учителя в Numpy
- Строим первую модель предсказания в библиотеке Numpy
3 модуль: Работа с машинным обучением
Урок 9
Обучение с учителем. Ближайшие соседи
Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку.
- Осваиваем базовые принципы машинного обучения
- Придумываем и реализовываем простой алгоритм
- Возьмём классификатор на датасете
Градиентный спуск
Знакомимся с методом градиентного спуска, чтобы оценивать качество работы нейронной сети.
- Оцениваем качество алгоритма машинного обучения, функция ошибки
- Узнаём, как производные и градиентный спуск помогают уменьшать ошибки алгоритма
- Закрепляем метод градиентного спуска для переменных
Линейная регрессия
Прогнозируем значение переменных по заранее известным данным.
- Определяем задачи регрессии, чтобы прогнозировать стоимость домов
- Наглядно визуализируем данные с помощью матрицы корреляций
- Учимся измерять качество регрессии, чтобы проверить наши предположения
- Применяем метод градиентного спуска, чтобы найти минимум средней квадратической ошибки
Логистическая регрессия
Прогнозируем результаты с помощью логистических функций.
- Узнаём, что такое логистическая функция, какие у нее свойства и преимущества
- Применяем метод градиентного спуска для логистической регрессии, чтобы определять стоимость домов
Работаем с базовой нейронной сетью
Узнаём о преимуществах и недостатках нейронных сетей.
- Сравниваем устройство нейронных сетей с нервной системой человека
- Разбираем готовую нейронную сеть, выбираем количество слоёв и нейронов
- Запускаем нейронную сеть, чтобы распознавать рукописные цифры
