Machine Learning Pro + Deep Learning

Вводный модуль направлен на знакомство с основами Machine learning, изучение практических кейсов и базовых алгоритмов.

Слушатели познакомятся с типами данных, средствами их очистки обогащения, а также освоят feature engineering.

Студентов ждет работа с линейной и логистической регрессией, границами применимости, аналитическим выводом и регуляризацией.

Блок направлен на освоение и применение различных методов обучения без учителя.

В рамках модуля слушатели изучат решающие деревья, их свойства и варианты использования для решения задач регрессии.

Студенты изучат особенности ансамблей деревьев, применят навыки бустинга и работы с ансамблями.

Студенты изучат принципы разбиения выборки, недо- и переобучение, оценят модели по различным метрикам качества, научатся визуализировать процесс обучения.

Студентов ждёт работа с анализом временных рядов в ML, линейными моделями и XGBoost.

Блок направлен на изучение методов построения рекомендательных систем, освоение SVD-алгоритмов и оценку качества рекомендаций обученной модели.

Итогом курса станет применение изученных методов и технологий для получения максимальной точности предсказаний модели на kaggle.

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.