о курсе
О курсе
Машинное обучение (machine learning, ML) — это совокупность методов искусственного интеллекта, с помощью которых можно создавать самообучающиеся компьютерные системы (в частности, нейросети). Для таких систем разработчики не прописывают конкретные алгоритмы решения задач, а предоставляют подготовленные данные и описывают критерии успешного решения, по которым учатся нейросети.
Специалисты по машинному обучению пытаются научить машину «думать», подобно человеку, и самой находить решения.
ML применяется для создания беспилотных автомобилей и рекомендательных систем, в генерации изображений по текстовому описанию, распознавании речи и других областях науки.
- Старт4 сентября
- Формат / длительностьОнлайн / 3 месяца
- Кэшбэк13%
Для кого курс
Для кого курс
- Новички в сфере MLХотите освоить машинное обучение, но не знаете, с чего начать. Курс даст все необходимые знания для старта карьеры в ML.01
- МатематикиУвлекаетесь математикой и точными науками, но хотите перейти от теории к практике и научиться решать реальные бизнес-задачи.02
- Разработчики и аналитикиИмеете опыт в программировании или аналитике, но хотите применить свои знания в новой области.03
- Новичок в сфере MLХотите освоить машинное обучение, но не знаете, с чего начать. Курс даст все необходимые знания для старта карьеры в ML.01
- МатематикиУвлекаетесь математикой и точными науками, но хотите перейти от теории к практике и научиться решать реальные бизнес-задачи.02
- Разработчики и аналитикиИмеете опыт в программировании или аналитике, но хотите применить свои знания в новой области.03
У нас вы погрузитесь в мир современных технологий, будете обучаться в alma-mater науки среди единомышленников
На курсе вы найдете настоящую поддержку, чего так сильно не хватает в современном онлайн-образовании
спикер курса
спикер курса
Программа
Программа
1 тема: Основные концепции машинного обучения
Понятие моделирования. Схема моделирования. Понятие машинного обучения. Типы данных. Виды машинного обучения. Входные признаки. Целевые признаки. Scikit-learn. Тренировочная выборка. Валидационная выборка. Тестовая выборка. Метрики качества.
2 тема: Линейная алгебра для машинного обучения
Создание векторов. Изображение векторов. Сложение и вычитание векторов. Умножение вектора на числа. Среднее значение векторов. Скалярное произведение. Расстояние на плоскости. Создание матриц. Операции с элементами матриц. Умножение матрицы на вектор. Транспонирование матрицы. Матричное умножение.
3 тема: Подготовка данных
Подготовка данных. Мультиколлинеарность. Кодирование. Масштабирование. Анализ остатков модели.
4 тема: Задача регрессии и линейная регрессия
Задача регрессии. Линейная регрессия. MSE. MAE. R². Математическая основа линейной регрессии.
5 тема: Классификация и логистическая регрессия
Задача классификации. Бинарная и мультиклассовая классификации. Порог классификации. Логистическая регрессия. Матрица ошибок. Accuracy. Точность, полнота, математическая основа логистической регрессии.
6 тема: Модели классификации
Метод опорных векторов. Линейное, полиномиальное ядро SVM. Ядро RBF. Метод k-ближайших соседей. Подходы к многоклассовой классификации.
7 тема: Проблема переобучения и дисбаланса классов
Проблемы переобучения и недообучения. Смещение, разброс, регуляризация.
Дисбаланс классов. Кросс-валидация.
8 тема: Модели кластеризации
Постановка задачи. Алгоритм К-средних.
Выбора количества кластеров. Алгоритм DBSCAN. Метрики качества кластеризации.
9 тема: Бутстреп в машинном обучении
А/B-тест. Расчёт доверительного интервала. Бутстреп и его применение.
10 тема: Сбор данных
Источники данных. Разметка данных. Декомпозиция задачи. Голосование по большинству.
Создание пайплайна. Sklearn Pipeline.
11 тема: Градиентный спуск
Вычислительная сложность. Время обучения линейной регрессии. Итеративные методы. Сравнение методов.
Методы оптимизации. Функция потерь. Градиент функции. Градиентный спуск. Градиентный спуск для линейной регрессии. Стохастический градиентный спуск.
12 тема: Градиентный бустинг
Ансамблевые методы. Градиентный бустинг. Регуляризация градиентного бустинга.
ДИплом Итмо
УДОСТОВЕРЕНИЕ ИТМО
Университет ИТМО — первый неклассический ВУЗ России.
Дата основания — 1900 год.
Входит в ТОП-10 университетов России по версии Forbes (7 место).
После обучения вы получите удостоверение о повышении квалификации в Университете ИТМО.
Он даст вам сильное преимущество при найме на работу среди других соискателей.
Университет ИТМО — первый неклассический ВУЗ России.
Дата основания — 1900 год.
Входит в ТОП-10 университетов России по версии Forbes (7 место).
После обучения вы получите удостоверение о повышении квалификации в Университете ИТМО.
Он даст вам сильное преимущество при найме на работу среди других соискателей.
Стоимость
стоимость
FAQ
FAQ
1) заполнить заявку на нашем сайте и наши менеджеры свяжутся с вами;
2) прийти в учебный корпус по адресу: Санкт-Петербург, ул. Ломоносова, д. 9 в аудиторию 1120Б (если вам нужен пропуск, сообщите, пожалуйста, нам заранее);
Тел.: +7(812) 480−02−30
Е-mail: cdpoitmo@yandex.ru
1) гражданам, имеющим высшее или среднее профессиональное образование;
2) студентам вузов одновременно с получением диплома о высшем образовании;
3) студентам колледжей одновременно с получением диплома о среднем профессиональном образовании.
остались вопросы?
остались вопросы?
+7 812 480 02 40
cdpo@itmo.ru