Основы машинного обучения (вводный курс)

Сейчас термины «машинное обучение» и «искусственный интеллект» у всех на слуху. Вы сталкиваетесь с этими технологиями каждый день: когда ищете что-то в интернете (поисковик предлагает вам странички на основе сложного сопоставления текстов и анализа ваших данных); когда жалуетесь в службу поддержки какого-нибудь сервиса или магазина (с большой вероятностью вам отвечает бот); если у вас умные часы, то они, вероятно, используют методы машинного обучения, чтобы понимать, когда вы сидите, стоите или бегаете.

На этом курсе вы можете разобраться с принципами работы методов машинного обучения. Речь пойдет об обучении с учителем — областью, которая изучена лучше всего и методы из которой наиболее часто используются на практике. Мы обсудим метрические и линейные методы, и на их примере разберем все ключевые концепции: обобщающую способность и переобучение, градиентные методы обучения, измерение качества модели и специализированные метрики качества, подготовку данных для моделей. Мы узнаем, как это всё делается в Python с помощью его библиотек.

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

• Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. 
• Trevor Hastie, Robert Tibshirani, & Jerome Friedman. New York. (n.d.). Book Reviews 567 The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Retrieved 
• Mohri, M., Talwalkar, A., & Rostamizadeh, A. (2012). Foundations of Machine Learning. Cambridge, MA: The MIT Press.

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

1. Основные понятия и задачи в машинном обучении
2. Метод k ближайших соседей
3. Линейная регрессия
4. Обучение моделей градиентными методами
5. Линейная классификация: общие принципы
6. Линейная классификация: методы

• Знания о принципах работы методов машинного обучения.
• Знания о метрических и линейных методах в машинном обучении.
• Знания о методах измерения качества модели и специализированных метриках качества.

• Умение подготавливать данные для моделей машинного обучения.

• Навыки работы с Python и его библиотеками, используемыми для машинного обучения.

• Знания о ключевых моментах в машинном обучении.
• Практический опыт подготовки данных, их визуализации, построения и анализа моделей.

• Способен использовать необходимые математические методы для решения задач профессиональной деятельности (ОПК-3).
• Знает необходимые математические методы и теоретический аппарат для решения задач обеспечения защиты информации (ОПК-3.1).
• Умеет применять совокупность необходимых математических методов и теоретических знаний для решения задач обеспечения защиты информации (ОПК-3.2).