Машинное обучение: фундаментальные инструменты и практики
Онлайн-курс от Нетологии. Изучите главные направления machine learning для профессионального роста в хайповой профессии. Вы сформулируете задачу для data science-проекта и спроектируете процесс решения, подберёте алгоритмы и метрики под задачу, научитесь строить модели машинного обучения и оценивать их качество.
- Построение модели. Узнаете, что такое библиотека Sklearn и как ею пользоваться. Изучите алгоритмы кластеризации и сможете строить ансамбли моделей. Научитесь оценивать модели и работать с переобучением. Узнаете, как использовать в работе GridSearch и RandomizedSearch, Model Specific CV, Out of Bag approach.
- Библиотека Sklearn
- Алгоритмы классификации: линейные методы, логистическая регрессия и SVM
- Алгоритмы классификации: деревья решений
- Алгоритмы регрессии: линейная и полиноминальная
- Алгоритмы кластеризации
- Ансамблирование
- Оценка точности модели, переобучение, регуляризация
- Улучшение качества модели
- Организация проекта, составление отчётов по исследованиям
- Лабораторная работа
- Сдача промежуточного проекта
- Работа с заказчиком. Вы научитесь планировать разработку data science проектов, а также грамотно рассказывать заказчикам о результатах исследований.
- Организация проекта
- Составление отчётов по исследованиям
- Рекомендательные системы. В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
- Введение и классификация рекомендательных систем
- Content-based рекомендации
- Collaborative Filtering
- Неперсонализированные рекомендательные системы
- Гибридные алгоритмы
- Компьютерное зрение. Вы освоите основные техники машинного зрения: извлечение признаков, поиск по картинкам, сегментирование, детекция объектов, а также научитесь строить нейросети.
- Поиск по картинкам
- Сегментация изображений, детекция объектов
- Применение сверхточных нейронных сетей для задач сегментации и детекции
- Применение рекуррентных сетей в задачах обработки изображений
- Генеративные конкурирующие сети (GAN)
- Обработка естественного языка (NLP). Вы освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск, научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты.
- Морфологический и синтаксический анализ
- Методы снижения размерности в векторной модели. Информационный поиск
- Тематическое моделирование (LSA, LDA, HDP)
- Дистрибутивная семантика (word2vec, GloVe, AdaGram)
- Счётные языковые модели и вероятностные языковые модели. LSTM. Машинный перевод
- Генерация текстов (Natural Language Generation)
- Задача классификации в АОТ
- Временные ряды. На этом интенсивном блоке вы научитесь выявлять происхождение и структуру временного ряда, прогнозировать будущие значения для эффективного принятия решений при построении моделей машинного обучения. Поймёте, что «под капотом» у популярных методик и библиотек.
- Алгоритмы обработки временных рядов
- Модели ARIMA и GARCH
- Марковские случайные процессы
- Итоговый хакатон. Завершим обучение состязанием с товарищами по курсу: в составе миникоманды за ограниченное время и на основе датасетов крупных игроков рынка вам придётся решать задачи по прогнозированию продаж или оптимизации производства, задействуя все знания и навыки, полученные на курсе.Интеграция и использование machine learning решений в бизнесе, как правило, подразумевает командную игру, поэтому хакатон полезен ещё и как тренировка необходимых soft skills.
101 достоверный отзыв о школе Нетология
Мы не нашли много отзывов конкретно про курс «Машинное обучение: фундаментальные инструменты и практики». Зато мы собрали 101 отзыв о школе Нетология — они помогут вам получить общее представление о процессе обучения.