Машинное обучение: фундаментальные инструменты и практики

Научитесь строить основные модели машинного обучения. Узнаете, как работать с деревьями решений, с логистической, линейной регрессией, строить ансамбли моделей. Узнаете, как работать с «грязными» данными и оценивать качество моделей. 40 часов теории, 35 часов практики.

• Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия
• Классификация. Логистическая регрессия и SVM
• Функции потерь и оптимизация
• Оценка точности модели, переобучение, регуляризация
• Проблема качества данных
• Работа с пропусками
• Работа с переменными
• Деревья решений
• Ансамблирование
• Поиск выбросов и генерация новых признаков
• Feature Selection
• Метрики близости. Работа с текстовыми данными. Наивный Байес
• Алгоритмы кластеризации
• Улучшение качества модели

Научитесь строить простые полносвязные сети уровня LeNet и AlexNet и экспериментировать с их обучением. Получите теоретическую и практическую базу для использования нейронных сетей в блоках CV и NLP. 13 часов теории, 3 часа практики.

• Введение в нейронные сети и библиотеку Keras
• Углубление в нейронные сети и библиотеку Keras
• Введение в свёрточные нейронные сети
• Введение в рекуррентные нейронные сети
• Дополнительные темы нейронных сетей

Вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их. 13 часов теории, 16 часов практики.

• Введение и классификация рекомендательных систем
• Рекомендации на основе содержания
• Коллаборативная фильтрация
• Рекомендации на основе скрытых факторов
• Гибридные алгоритмы
• Оценка качества рекомендательных систем
• Этические аспекты и справедливость
• Hands-on проект: построй свою рекомендательную систему

Изучите элементарные алгоритмы обработки временных рядов, модели ARIMA, GARCH и прогнозирование значений на их основе. Узнаете, что такое марковские случайные процессы и марковские модели для временных рядов. Научитесь выявлять происхождение и структуру временного ряда, прогнозировать будущие значения для эффективного принятия решений при построении моделей машинного обучения. Поймёте, что скрыто «под капотом» популярных методик и библиотек. 22 часа теории, 16 часов практики.

• Знакомство с временными рядами
• Элементарные методы анализа временных рядов
• Модели ARIMA, GARCH
• Модели авторегрессии условной гетероскедастичности
• Сингулярный спектральный анализ
• Случайные марковские процессы
• Нейронные сети в анализе временных рядов
• Поиск изменений во временном ряде

Вы освоите основные техники машинного зрения: извлечение признаков, поиск по картинкам, сегментирование, детекция объектов. Научитесь строить нейросети. 19 часа теории, 9 часов практики.

• Введение в компьютерное зрение
• Выделение признаков и поиск похожих изображений
• Сегментация и детекция объектов
• Свёрточные нейронные сети
• Обучение свёрточной сети на практике
• Задачи детекции и сегментации
• Рекуррентные нейронные сети в задачах компьютерного зрения (Image Captioning)
• Порождающие модели
• Другие задачи компьютерного зрения

Освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск. Научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты. 14 час теории, 12 часов практики.

• Введение в автоматическую обработку текста
• Структура слова. Морфология
• Тематическое моделирование
• Словари. Подкрепление знаний
• Дистрибутивная семантика
• Языковые модели
• Классификация в АОТ
• Модели seq2seq. Attention
• Информационный поиск
• Извлечение информации
• Синтаксический анализ
• Transformers. BERT

Научитесь планировать разработку проектов data science и решение задачи. Сможете грамотно презентовать заказчикам результаты исследований. 3 часа теории, 5 часов практики.

• Требования в DS-проектах
• Методология ведения DS-проектов
• Разработка отчётов по исследованию
• Сохранение результатов эксперимента

Вы построите ML-модель для решения своих текущих профессиональных задач: это может быть система прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста. Если у вас нет идей для своего проекта или доступа к необходимым данным, мы предложим вам учебный кейс в интересной вам области на основе реального датасета других компаний. Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе. 40 часов практики.

Диплом о профессиональной переподготовке