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

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