Robot
Складчик
- #1
[Mathshub] Machine Learning. Тариф Начало пути [Олег Булыгин]
- Ссылка на картинку
Чему мы научим на Machine Learning:
На этом модуле вы изучите взаимосвязь между независимыми и зависимыми переменными, научитесь предсказывать значения последней на основе первых и разделять наблюдения на заранее определенные категории или классы на основе их признаков.
Вы поймёте, как нескольким разработчикам работать над одним проектом одновременно, улучшая качество и скорость его разработки, а также узнаете, что такое кластеризация и подготовка данных.
◆ Узнаете всё о машинном обучении
Машинное обучение — подраздел искусственного интеллекта, который обучает системы самостоятельно
учиться и делать прогнозы или принимать решения на основе данных. На модуле вы начнёте изучать тему машинного обучения с введения, узнаете, каким оно бывает и какие основные компоненты его работы.
◆ Познакомитесь с ключевыми алгоритмами
Вы разберётесь в ключевых моментах работы машинного обучения, познакомитесь с понятием градиентного спуска. Это оптимизационный алгоритм, используемый для минимизации функций потерь в методах машинного обучения и искусственного интеллекта.
◆ Научитесь создавать ml-пайплайны
ML-пайплайн — это набор этапов, выполнение которых приводит к созданию и обучению модели машинного обучения. Это методология разработки моделей, которая помогает улучшить процесс их создания, отладки и масштабирования. На модуле вы научитесь создавать пайплайны с нуля, развивать их, изучите их функционал.
◆ Изучите полезные приёмы при работе с данными
Вы начнёте разбираться в том, как оптимизировать скорость работы и наладить процесс обработки данных. Узнаете, зачем необходимо использование кросс-валидации для оценки производительности, как делать предобработку данных и тонкую настройку.
Что включено в модуль:
Введение в ML: каким оно бывает и каковы основные компоненты метрики и задача линейной регрессии
Градиентный спуск
Обобщающая способность модели: метод отложенной выборки / Кросс-валидация
Линейная классификация: оценка вероятности
Матрица ошибок и основные метрики классификации
ROC, PR-кривые, AUC-ROC, AUC-PR
Градиентный бустинг
Bias-variance trade-off
Кластеризация
Рекомендательные системы
Машинное обучение: классические
задачи и алгоритмы
Создание ML-пайплайна с нуля и развитие ML-пайплайна
Программа модуля:
20 ак. часов / 5 недель
Формат обучения: Лекция + семинар
Регрессии
Классификация
Парное программирование — Алгоритмы ML
Кластеризация
Подготовка данных
Продвинутые подходы ML
Твои навыки после обучения
Основы теории машинного обучения
Валидирование данных
Построение регрессии, кластеризации и градиентного спуска
Создание ML-пайплайнов с нуля и их развитие
Mathshub — международная школа анализа данных и разработки.
Преподаватель модуля: Олег Булыгин. Machine Learning
7 лет опыта в управленческих должностях в научно-производственных компаниях космической отрасли.
На этом модуле вы изучите взаимосвязь между независимыми и зависимыми переменными, научитесь предсказывать значения последней на основе первых и разделять наблюдения на заранее определенные категории или классы на основе их признаков.
Вы поймёте, как нескольким разработчикам работать над одним проектом одновременно, улучшая качество и скорость его разработки, а также узнаете, что такое кластеризация и подготовка данных.
◆ Узнаете всё о машинном обучении
Машинное обучение — подраздел искусственного интеллекта, который обучает системы самостоятельно
◆ Познакомитесь с ключевыми алгоритмами
Вы разберётесь в ключевых моментах работы машинного обучения, познакомитесь с понятием градиентного спуска. Это оптимизационный алгоритм, используемый для минимизации функций потерь в методах машинного обучения и искусственного интеллекта.
◆ Научитесь создавать ml-пайплайны
ML-пайплайн — это набор этапов, выполнение которых приводит к созданию и обучению модели машинного обучения. Это методология разработки моделей, которая помогает улучшить процесс их создания, отладки и масштабирования. На модуле вы научитесь создавать пайплайны с нуля, развивать их, изучите их функционал.
◆ Изучите полезные приёмы при работе с данными
Вы начнёте разбираться в том, как оптимизировать скорость работы и наладить процесс обработки данных. Узнаете, зачем необходимо использование кросс-валидации для оценки производительности, как делать предобработку данных и тонкую настройку.
Что включено в модуль:
Введение в ML: каким оно бывает и каковы основные компоненты метрики и задача линейной регрессии
Градиентный спуск
Обобщающая способность модели: метод отложенной выборки / Кросс-валидация
Линейная классификация: оценка вероятности
Матрица ошибок и основные метрики классификации
ROC, PR-кривые, AUC-ROC, AUC-PR
Градиентный бустинг
Bias-variance trade-off
Кластеризация
Рекомендательные системы
Машинное обучение: классические
Создание ML-пайплайна с нуля и развитие ML-пайплайна
Программа модуля:
20 ак. часов / 5 недель
Формат обучения: Лекция + семинар
Регрессии
Классификация
Парное программирование — Алгоритмы ML
Кластеризация
Подготовка данных
Продвинутые подходы ML
Твои навыки после обучения
Основы теории машинного обучения
Валидирование данных
Построение регрессии, кластеризации и градиентного спуска
Создание ML-пайплайнов с нуля и их развитие
Mathshub — международная школа анализа данных и разработки.
Преподаватель модуля: Олег Булыгин. Machine Learning
7 лет опыта в управленческих должностях в научно-производственных компаниях космической отрасли.