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	Видео	Слайды
ML0 Введение в машинное обучение
Лекция: Основные понятия машинного обучения		Видео	Слайды
Практика: Знакомство с инструментами	Методичка
Практика: Простой анализ данных	Методичка
ML1 Регрессия
Лекция: Задача регрессии		Видео	Слайды
Практика: Линейная регрессия	Методичка	Видео
Практика: Множественная регрессия	Методичка	Видео
Практика: Регрессия на реальном датасете	Методичка	Видео
ML2 Классификация
Лекция: Задача классификации		Видео	Слайды
Практика: Логистическая регрессия	Методичка	Видео
Практика: Классификация на реальных данных	Методичка	Видео
ML3 Методы обучения с учителем
Лекция: Методы обучения с учителем		Видео	Слайды
Практика: Полиномиальные модели	Методичка	Видео
Практика: Метод опорных векторов	Методичка	Видео
Практика: Многослойный перцептрон	Методичка	Видео
Практика: Деревья решений	Методичка	Видео
Практика: Метод К ближайших соседей	Методичка	Видео
Практика: Наивный Байесовский классификатор	Методичка	Видео
Лекция: Метод обратного распространения ошибки			Слайды
ML4 Диагностика моделей машинного обучения
Лекция: Метрики качества и диагностика моделей	Методичка	Видео	Слайды
Практика: Метрики эффективности	Методичка	Видео
Практика: Диагностические кривые	Методичка
Практика: Кросс-валидация	Методичка
Практика: Диагностика недо и переобучения	Методичка
Практика: Оптимизация гиперпараметров	Методичка
ML5 Предобработка данных
Лекция: Задачи и методы предварительной обработки и очистки данных			Слайды
Практика: Сбор и интеграция данных	Методичка
Практика: Инжиниринг численных признаков	Методичка
Практика: Инжиниринг категориальных признаков	Методичка
Практика: Таргет и отбор признаков
Практика: Комплексная предобработка данных	Методичка
ML6 Методы обучения без учителя
Лекция: Задачи и методы обучения без учителя	Методичка		Слайды
Практика: Кластеризация данных
Практика: Понижение размерности
ML7 Ансамблирование моделей
Лекция: Ансамбли моделей	Методичка		Слайды
Практика: Понижение размерности

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

Учебник по началам машинного обучения для начинающих. В книге объясняются теоретические основы классических алгоритмов машинного обучения с примерами на языке программирования Python.

Купить