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
Практика: Модели классификации Методичка
Практика: Модели регрессии Методичка
Контрольная работа Методичка
ML4 Диагностика моделей машинного обучения
Лекция: Метрики качества и диагностика моделей Методичка Слайды
Практика: Диагностика недо и переобучения Методичка
Практика: Кросс-валидация Методичка
ML5 Предобработка данных
Лекция: Задачи и методы предварительной обработки и очистки данных Слайды
Практика: Комплексная предобработка данных Методичка
ML6 Методы обучения без учителя

Тематический план

Данный курс является первой частью одноименной дисциплины и включает следующие темы:

  • Основные понятия машинного обучения
  • Задача и методы регрессии
  • Задача и методы классификации
  • Метрики качества и диагностика моделей
  • Предобработка данных
  • Кластеризация и понижение размерности
  • Обнаружение аномалий
  • Ансамблевые модели

Предварительные требования

Для плодотворного изучения данного курса будут необходимы такие навыки:

  • Уверенное знание синтаксиса Python
  • Знакомство с основными понятиями математической статистики и теории вероятностей

Источники информации

Основная литература

Дополнительная литература

Видео-ресурсы

Программное обеспечение

  • Python 3 Anaconda
  • библиотеки numpy, pandas, matplotlib, scikit-learn
  • Tensorflow 2
  • PyTorch

Для студентов Финансового университета

Балльно-рейтинговая система

Программа экзамена

Методические указания по составлению тестовых заданий

Методические указания по курсовой работе

Образец отзыва на курсовую работу