Машинное обучение

О курсе

Этот курс научит вас использовать самые распространенные инструменты для анализа данных и машинного обучения. После освоения данного курса вы научитесь применять классические модели регрессии и классификации, писать код для обучения и тестирования моделей, вести проекты в области построения интеллектуальных систем.

Программа курса

Название занятия	Методичка	Слайды
ML0 Введение в машинное обучение
Лекция: Основные понятия машинного обучения		Слайды
Практика: Знакомство с инструментами	Методичка
Практика: Простой анализ данных	Методичка
ML1 Регрессия
Лекция: Задача регрессии	Методичка	Слайды
Практика: Линейная регрессия	Методичка
Практика: Множественная регрессия	Методичка
ML2 Классификация
Лекция: Задача классификации	Методичка	Слайды
Практика: Логистическая регрессия	Методичка
ML3 Методы обучения с учителем
Лекция: Методы обучения с учителем		Слайды
Контрольная работа по регрессии
Практика: Метод опорных векторов
Практика: Деревья решений
Практика: Метод К ближайших соседей
Практика: Наивный Байесовский классификатор
Контрольная работа по классификации
ML4 Диагностика моделей машинного обучения
Лекция: Метрики качества и диагностика моделей	Методичка	Слайды
Практика: Метрики эффективности
Практика: Модели классификации	Методичка
Практика: Модели регрессии	Методичка
Практика: Диагностические кривые
Практика: Кросс-валидация	Методичка
Практика: Диагностика недо и переобучения	Методичка
Практика: Оптимизация гиперпараметров
ML5 Предобработка данных
Лекция: Задачи и методы предварительной обработки и очистки данных		Слайды
Практика: Сбор и интеграция данных
Практика: Очистка данных
Практика: Преобразование шкал
Практика: Комплексная предобработка данных	Методичка
Практика: Отбор и инжиниринг признаков
ML6 Методы обучения без учителя
Лекция: Задачи и методы обучения без учителя
Практика: Кластеризация данных
Практика: Обнаружение аномалий
Практика: Понижение размерности
ML7 Ансамблирование моделей
Лекция: Ансамбли моделей
Практика: Понижение размерности