Содержание
1. Machine Learning PRO
2. Введение в машинное обучение
Вводный модуль направлен на знакомство с основами Machine learning, изучение практических кейсов и базовых алгоритмов.
3. Методы предобработки данных
Слушатели познакомятся с типами данных, средствами их очистки обогащения, а также освоят feature engineering.
4. Регрессия
Студентов ждет работа с линейной и логистической регрессией, границами применимости, аналитическим выводом и регуляризацией.
5. Кластеризация
Блок направлен на освоение и применение различных методов обучения без учителя.
6. Tree-based алгоритмы: введение в деревья
В рамках модуля слушатели изучат решающие деревья, их свойства и варианты использования для решения задач регрессии.
7. Tree-based алгоритмы: ансамбли
Студенты изучат особенности ансамблей деревьев, применят навыки бустинга и работы с ансамблями.
8. Оценка качества алгоритмов
Студенты изучат принципы разбиения выборки, недо- и переобучение, оценят модели по различным метрикам качества, научатся визуализировать процесс обучения.
9. Временные ряды в машинном обучении
Студентов ждёт работа с анализом временных рядов в ML, линейными моделями и XGBoost.
10. Рекомендательные системы
Блок направлен на изучение методов построения рекомендательных систем, освоение SVD-алгоритмов и оценку качества рекомендаций обученной модели.
11. Финальный хакатон
Итогом курса станет применение изученных методов и технологий для получения максимальной точности предсказаний модели на kaggle.
12. Deep Learning
В рамках расширенного практического курса слушатели создадут нейронные сети для распознавания и обработки рукописных текстов, изображений, естественной речи, научатся работать со скоростью и производительностью сетей и разработают несколько проектов для своего портфолио.
