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
- Дорожная карта развития специалиста по машинному обучению
- Классический курс от Andrew Ng
- A. Geron. Hand on Machine Learning with scikit-learn and Tensorflow - 2017 (564p)
Дополнительная литература
- C. Albon. Machine learning with Python Handbook - 2018 (427p)
- L.P. Coelho, W. Richert. Building machine learning systems with Python - 2015 (326p)
- J. Grus. Data science from scratch - 2015 (330p)
- W. McKiney. Pandas: powerful Python data analysis toolkit - 2016 (1971p)
- М.В. Коротеев. Учебное пособие по дисциплине “Анализ данных и машинное обучение” - 2018.
Видео-ресурсы
- Конспекты к курсу Ng
- Материалы к куру Ngна гитхабе
- Pandas tutorial
- Канал Python programmer - много контента по программированию на питоне
- Серия Data analysis от Computerphile
Программное обеспечение
- Python 3 Anaconda
- библиотеки numpy, pandas, matplotlib, scikit-learn
- Tensorflow 2
- PyTorch
Для студентов Финансового университета
Методические указания по составлению тестовых заданий