Продвинутые методы машинного обучения

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.

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

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

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

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

• 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).