up

Продвинутые методы машинного обучения

  • Russian

    course language

  • 6 weeks

    course duration

  • от 3 до 6 часов в неделю

    needed to educate

  • 3 credit points

    for credit at your university

 

Курс является частью специализации "Машинное обучение: от статистики до нейросетей", состоящей из семи курсов: "Математическая статистика и А‍/‍В тестирование", "Основы машинного обучения (вводный курс)", "Сбор и анализ данных в Python", "Статистические методы анализа данных", "Продвинутые методы машинного обучения", "Основы глубинного обучения" и "Продвинутые методы глубинного обучения".

About

В данном онлайн-курсе мы затронем три темы. Первая – решающие деревья и их композиции. Эти методы сильно отличаются от линейных, поскольку не являются дифференцируемыми и для их обучения нужны специальные подходы. В то же время композиции деревьев являются крайне мощными алгоритмами, которые широко используются при работе с табличными данными. Особенно подробно мы разберём градиентный бустинг — де-факто стандартный подход для решения сложных задач извлечения закономерностей из данных.

Вторая тема – обучение без учителя. Мы поговорим про методы кластеризации, визуализации и понижения размерности. Эти подходы позволяют находить закономерности в данных, даже если у нас нет правильных ответов.

Третья тема – рекомендательные системы. Мы обсудим, как уже известные методы можно применять для их построения, а также какая специфика в них возникает.

Format

Курс длится 6 недель. Каждая неделя содержит видеолекции, тестовые задания и материалы для самостоятельного изучения.

  • Aggarwal C. Data Mining: The Textbook. Springer International Publishing, 2015. DOI: 10.1007/978-3-319-14142-8

Requirements

Знание Python и основ высшей математики (матрицы и операции с ними, производные и градиенты).

Course program

  1. Решающие деревья
  2. Композиции: бэггинг, блендинг и стэкинг
  3. Градиентный бустинг
  4. Обучение без учителя
  5. Рекомендательные системы
  6. Финальный проект

Education results

  • Умение применять сложные методы машинного обучения.
  • Получите практический опыт подготовки данных, их визуализации, построения и анализа моделей.

Formed competencies

  • Способен разрабатывать компоненты системных программных продуктов, в части следующих индикаторов достижения компетенции (ПКС-2).
  • Уметь применять знания в области разработки ПО в предметной области (ПКС-2.3).

Education directions

Соколов Евгений Андреевич


Position: Старший преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Филатов Артём Андреевич


Position: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Кохтев Вадим Михайлович


Position: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Ковалев Евгений Игоревич


Position: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Зимовнов Андрей Вадимович


Position: Старший преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Рысьмятова Анастасия Александровна

Магистр
Position: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

course completion certificate

Certificate

Стоимость доступа ко всем материалам курса, возможности пройти экзамен с прокторингом и получить сертификат составляет 3600 рублей.

Programs, which includes this course

Similar courses