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.
