Описание

Цели курса:
1. Научиться решать задачи машинного обучения на Python – Вы освоите все основные темы машинного обучения и сможете применять эти методы в своей работе для решения текущего проекта или для трудоустройства в новую компанию и на новое направление
2. Реализовать свой рабочий проект – многие проекты могут потребовать применения методов машинного обучения, если у вас есть подобный проект, вы сможете реализовать его за курс
3. Получить сертификат, рекомендацию и создать портфолио проектов – после завершения курса вы получите весомый сертификат и рекомендацию, так же у вас будет портфолио из нескольких решённых вами практических задач.
4. Решить 10 практических задач по машинному обучению – каждое занятие будет сопровождаться практикой – решением конкретной задачи из области машинного обучения.
5. Получить практику на стажировке в Лаборатории Университета – в Лаборатории Университета искусственного интеллекта вы можете получить практический опыт применения машинного обучения в реальных проектах.

1. Подготовка данных для построения модели и простейшие алгоритмы машинного обучения

• Первичная обработка исходных данных. Основные недостатки исходных данных: «мусор», пропуски, выбросы;
• Метод k-соседей (k- neighbors);
• Обработка исходных данных DataSet Titanic и построение модели бинарной классификации.

2. Метрики в задачах бинарной классификации, классификаторы Байеса

• Метрики в задачах бинарной классификации. Полнота, точность, accuracy, ROC-AUC кривая, f-мера;
• Классификаторы Байес;
• Построение модели для DataSet Titanic, анализ качества моделей.

3. Линейные модели, задачи регрессии

• Линейная регрессия, метод наименьших квадратов;
• Задача регрессии и нормализация признаков;
• Построение модели для DataSet Energy Star Score, анализ качества модели.

4. Метод опорных векторов (SVM), предсказание вероятности принадлежности к классу

• Метод опорных векторов (SVM), наглядная демонстрация модели на примере DataSet Iris;
• Наглядная демонстрация модели на примере DataSeta Iris;
• Определение вероятности принадлежности классу на примере DataSet Titani.

5. Решающие деревья, случайный лес, градиентный бустинг

• Алгоритмы построения решающих деревьев ID3 и С4.5;
• Случайный лес в задачах регрессии и классификации;
• Градиентный бустинг;
• Построение моделей на основе решающих деревьев на примере DataSet Titanic.

6. Многоклассовая классификация, кластеризация

• Алгоритмы кластеризации данных (метод k-соседей, иерархические методы, t-SNE);
• Модели многоклассовой классификации, оценки их параметров на примере Wine Dataset Recognition.

7. Решение задачи регрессии

• Feature selection/ feature engineering;
• Построение модели на примере DataSet House Price.

8. Решение NLP задачи

• Регулярные выражения;
• Способы численного представления текстовой информации;
• Построение моделей на примере DataSet Imdb.

9. Решение маркетинговой задачи по оттоку клиентов

• Статистический анализ признаков;
• Построение модели на примере DataSet Telecom Churn.

10. Решение задачи по построению рекомендательной системы

• Подходы к построению рекомендательных систем;
• SVD-разложение, векторные представления объектов;
• Построение модели на примере MovieLens 20M DataSet.

11. Решение задачи идентификации