ПОИСК
Быстрый заказ
ОЦЕНКА КУРСАобщая оценка курса:оценка преподавателя: Хочу скидку |
Этот курс продолжительностью 24 часа проходит
в дистанционном формате по будним дням (6 дней) с 09:00 до 12:00 6-дневный практический курс по основам машинного обучения для специалистов по аналитике данных, разработчиков и руководителей, которые хотят освоить базовые понятия Machine Lerning. Данный курс является введением в тематику машинного обучения. В курсе будет рассказано о месте машинного обучения в области искусственного интеллекта, изложены математические основы методов машинного обучения, сформулированы базовые задачи, которые могут быть решены с помощью методов машинного обучения. Большое внимание в курсе уделено практическому решению задач с использованием методов машинного обучения на языке Python. По окончанию курса вы овладеете основными навыками, необходимыми для решения базовых задач в области искусственного интеллекта.
Выберите форму обучения,
чтобы увидеть актуальные даты:
РАСПИСАНИЕ ЗАНЯТИЙ
|
После изучения курса вы сможете
- понять, что такое машинное обучение и искусственный интеллект;
- знать, как эффективно использовать инструменты Data Science в бизнесе;
- разобраться с математическими основами Machine Learning;
- освоить базовые методы машинного обучения;
- обрабатывать датасеты для подготовки к моделированию;
- строить собственные модели Machine Learning;
- интерпретировать результаты моделирования.
Содержание курса
1. Место машинного обучения в области искусственного интеллекта
2. Классификация, деревья, случайный лес
3. Линейные модели для классификации и регрессии
- Теоретическая часть:основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета (2 часа).
- Практическая часть: первичный анализ датасета, предобработка данных (2 часа).
2. Классификация, деревья, случайный лес
- Теоретическая часть: определение и примеры задач классификации. Математическое описание модели решающего дерева в задачи бинарной классификации. Метрики бинарной классификации (2 часа).
- Практическая часть: решение задач бинарной и множественной классификаций (2 часа).
3. Линейные модели для классификации и регрессии
- Теоретическая часть: определение и примеры задач регрессии. Математическое описание модели линейной регрессии. Метрики задач регрессии. Способы регуляризации (2 часа).
- Практическая часть: решение задачи регрессии (2 часа).
- Теоретическая часть: определение и примеры задач кластеризации. Математическое описание модели kNN. Связь кластеризации с понижением размерности пространства объектов датасета (2 часа).
- Практическая часть: решение задачи кластеризации и понижения размерности данных (2 часа).
- Теоретическая часть: введение в NLP, обработка текстовых данных, векторные представления текста (2 часа).
- Практическая часть: решение задачи классификации на текстовом корпусе (2 часа).
- Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask (2 часа).
- Практическая часть: создание веб-сервиса на фреймворке Flask (2 часа).
Слушатели
Курс предназначен для аналитиков, разработчиков программного обеспечения, руководителей и специалистов.
Предварительная подготовка
- Опыт программирования
- Прохождение курса «Основы языка Python для анализа данных и решения задач машинного обучения»