Python3_ML

Программирование на Python: Машинное обучение

ПОИСК

Быстрый заказ

ОЦЕНКА КУРСА

общая оценка курса:

оценка преподавателя:

Отзывов: 0

Стать преподавателем

Хочу скидку

Целью курса является формирование у слушателей знаний комплексного понимания машинного обучения (Machine Learning, ML) и его применения в реальном мире и навыков, необходимых для обработки данных в Python, создания и валидации моделей с использованием машинного обучения.

Выберите форму обучения, чтобы увидеть актуальные даты:

После изучения курса вы сможете

понимать, что такое машинное обучение и его применение;
разобраться с математическими основами Machine Learning;
освоить базовые методы машинного обучения;
создавать и оценивать модели машинного обучения;
работать с библиотеками Python для обработки и анализа данных и машинного обучения;
применять обучение с учителем (Supervised learning) и без учителя (Unsupervised Learning);
понимать основы глубокого обучения и работы с нейронными сетями;
понимать продвинутые темы, включая ансамблевые методы и обработку естественного языка;
разрабатывать и оценивать различные модели машинного обучения;
решать сложные задачи в области искусственного интеллекта и аналитики.

Содержание курса

Модуль 1: Основы машинного обучения (Machine Learning, ML)

Знакомство с машинным обучением: ключевые концепции и применение.
Терминология и базовые принципы в машинном обучении.
Краткий обзор важнейших алгоритмов машинного обучения.
Источники и сбор данных для машинного обучения.

Модуль 2: Работа с данными в Python

Использование библиотеки Pandas для анализа и обработки данных.
Импорт данных из разнообразных форматов (CSV, Excel, SQL и др.).
Чистка данных: устранение дублей, обработка пропусков и пр.
Манипуляции с данными: преобразование категорий, нормализация и др.

Модуль 3: Создание моделей на данных

Разбиение данных на обучающую и тестовую выборки.
Выбор и тренировка моделей машинного обучения.
Анализ качества модели: оценка через классификационные и регрессионные метрики.
Подбор оптимальных гиперпараметров для модели.

Модуль 4: Обучение c учителем (Supervised learning)

Основы линейной регрессии и метод минимизации ошибок.
Принципы логистической регрессии и задачи классификации.
Применение решающих деревьев и ансамблей случайных лесов.
Техники опорных векторов (SVM).

Модуль 5: Обучение без учителя (Unsupervised Learning)

Кластерный анализ: методы K-средних, иерархическая кластеризация.
Методы уменьшения размерности данных: принципы PCA.
Создание ассоциативных правил в данных.

Модуль 6: Основы глубокого обучения

Введение в концепции глубокого обучения.
Структура и функционирование нейронных сетей: основы и активационные функции.
Практика обучения глубоких нейронных сетей с TensorFlow или PyTorch.

Модуль 7: Продвинутые аспекты машинного обучения

Изучение Ensemble-методов: бэггинг и бустинг.
Разработка рекомендательных систем.
Применение машинного обучения в обработке естественного языка.

Слушатели

аналитики данных;
разработчики программного обеспечения;
руководители проектов и менеджеров;
специалисты в области данных и искусственного интеллекта;
специалисты, заинтересованные в глубоком понимании машинного обучения и желающие расширить свои навыки в области машинного обучения.

Предварительная подготовка

базовые знания и навыки программирования на Python в объеме курсов Python3_Intro «Программирование на Python: Введение» и Python3_Adv «Программирование на Python: Продвинутый уровень» (рекомендуется пройти обучение);
знакомство с библиотеками Python для анализа данных (Pandas, NumPy) в объеме курса Python3_Exp «Анализ данных при помощи библиотек NumPy и Pandas языка Python» (рекомендуется пройти обучение);
понимание базовых принципов статистики и математики;
опыт аналитики данных;
знание основ машинного обучения;
навыки аналитического мышления и решения проблем.