2 зачётные единицы
английский языкСтоимость прохождения процедур оценки результатов обучения с идентификацией личности - 9000 Р.
Стоимость полного доступа к материалам курса — 9000 ₽ (включая НДС 22%). Оплата — единоразово, 100% предоплата. Доступ открывается сразу после оплаты.
У курса есть бесплатная ознакомительная часть: нажмите на кнопку “Записаться”, этот курс появится у вас в разделе “Мои курсы”, и вы сможете посмотреть бесплатные общедоступные видеолекции, после чего принять решение: покупать курс или нет.
Вы можете пройти повышение квалификации по этому курсу в онлайн-формате. В отличие от сертификата, удостоверение о повышении квалификации — это официальный документ государственного образца (72 часа, ФИС ФРДО).
Записаться на программу повышения квалификации можно по ссылке.
Как получить сертификат?
Оплатить доступ ко всему контенту, пройти все тесты (включая итоговый) минимум на 60 баллов из 100. Напоминаем - это не документ государственного образца.
Как долго будет доступен курс?
Доступ к видеолекциям сохраняется на весь период сессии (минимум 14 дней с даты оплаты). Вы можете вернуться к материалам в любое время.
Какие технические требования?
Компьютер с доступом в интернет (от 1 Мбит/с), современный браузер.
Остались вопросы? Напишите нам: openedu@mephi.ru
Обучение ведётся на русском языке. Все услуги предоставляются в соответствии с публичной офертой.
1. Alpaydin, E. (2014). Introduction to machine learning. MIT press.
2. Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press.
3. Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.
4. J. Gareth, et al. An introduction to statistical learning. New York: Springer, 2013.
5. Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
6. Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis (Vol. 821). John Wiley & Sons.
7. Michalski, R. S., Carbonell, J. G., & Mitchell, T. M. (Eds.). (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.
8. Vapnik, Vladimir. The nature of statistical learning theory. Springer science & business media, 2013.
9. Hansen, B. E. (2009). Lecture notes on nonparametrics. Lecture notes.
Знание английского языка на уровне не ниже Intermediate.
English language proficiency at least at the Intermediate level.
Module 1. Introduction.
Lesson 1. What is Machine Learning?
Lesson 2. Machine Learning and Data Science.
Lesson 3. Machine Learning Milestones.
Lesson 4. Machine Learning Pipeline.
Lesson 5. Supervised and unsupervised learning.
Lesson 6. Other machine learning paradigms.
Module 2. Supervised Learning. Basic principles.
Lesson 1. Inductive bias and generalization.
Lesson 2. Loss function and empirical risk.
Lesson 3. Cross-validation techniques.
Lesson 4. Regression.
Module 3. Supervised Learning. Classification Problem.
Lesson 1. Loss functions in classification.
Lesson 2. Statistical view to empirical risk minimization.
Lesson 3. Confusion matrix based measures.
Lesson 4. ROC curve.
Lesson 5. PR curve.
Lesson 6. ECOC method.
Lesson 7. Multiclass performance measures.
Module 4. Bayesian Classification.
Lesson 1. Bayesian decision rule.
Lesson 2. Density estimation in Bayesian classification.
Lesson 3. Normal Bayes classifier.
Lesson 4. Normal Bayes classifier with shared covariance matrix.
Lesson 5. 2-D Normal Bayesian classification.
Lesson 6. Bayes classifier for discrete features.
Lesson 7. Non-parametric density estimation and kernel functions.
Lesson 8. Kernel density estimation.
Модуль 1. Вступление.
Урок 1. Что такое машинное обучение?
Урок 2. Машинное обучение и наука о данных.
Урок 3. Основные этапы машинного обучения.
Урок 4. Конвейер машинного обучения.
Урок 5. Контролируемое и неконтролируемое обучение.
Урок 6. Другие парадигмы машинного обучения.
Модуль 2. Контролируемое обучение. Основные принципы.
Урок 1. Индуктивное смещение и обобщение.
Урок 2. Функция потерь и эмпирический риск.
Урок 3. Методы перекрестной проверки.
Урок 4. Регрессия.
Модуль 3. Обучение под руководством преподавателя. Задача классификации.
Урок 1. Функции потерь при классификации.
Урок 2. Статистический подход к эмпирической минимизации рисков.
Урок 3. Показатели на основе матрицы путаницы.
Урок 4. Кривая ROC.
Урок 5. Кривая PR.
Урок 6. Метод ECOC.
Урок 7. Многоклассовые показатели эффективности.
Модуль 4. Байесовская классификация.
Урок 1. Байесовское правило принятия решений.
Урок 2. Оценка плотности в байесовской классификации.
Урок 3. Обычный байесовский классификатор.
Урок 4. Обычный байесовский классификатор
Знание основных парадигм машинного обучения
Знание моделей и методов машинного обучения с учителем
Знание методов оценки качества моделей машинного обучения
Knowledge of the main machine learning paradigms
Knowledge of supervised machine learning models and methods
Knowledge of methods for evaluating the quality of machine learning models
Умение применять методы машинного обучения для решения задач классификации и регрессии
Умение оценивать качество моделей машинного обучения
The ability to apply machine learning methods to solve classification and regression problems
The ability to evaluate the quality of machine learning models
Владение терминологией машинного обучения
Владение инструментальными средствами для построения моделей машинного обучения с учителем
Knowledge of machine learning terminology
Knowledge of tools for building machine learning models with a teacher
После курса вы сможете (вот что попадёт в ваше резюме):
Для возврата средств направьте письменное требование на openedu@mephi.ru. Возврат осуществляется в течение 15 рабочих дней.
Что будет, если я пройду курс очень быстро?
Даже если вы успешно завершите программу за 3–4 дня, доступ к материалам сохранится на весь установленный срок сессии (минимум на 14 дней).
Что такое прокторинг?
Это система видеонаблюдения во время итогового теста. Вы выбираете удобное время, сотрудники МИФИ проверят запись. Это гарантирует, что удостоверение получите именно вы.
Можно ли пересдать тесты?
Да, каждый тест (как промежуточный, так и итоговый) можно пройти 2 раза.
Какие технические требования?
Компьютер с доступом в интернет (от 1 Мбит/с), веб-камера для прокторинга, современный браузер.
Остались вопросы? Напишите нам: openedu@mephi.ru
Обучение ведётся на русском языке. Программа реализуется с применением исключительно электронного обучения и дистанционных образовательных технологий. Все услуги предоставляются в соответствии с публичной офертой.
Ключевые слова: машинное обучение, supervised learning, регрессия, классификация, байесовская классификация, индуктивное смещение, эмпирический риск, кросс-валидация, ROC-кривая, PR-кривая, матрица путаницы, метод ECOC, ядерная оценка плотности, повышение квалификации.
Информация для сертификата (Знать/Уметь/Владеть):
Знать: основные парадигмы машинного обучения; модели и методы машинного обучения с учителем; методы оценки качества моделей машинного обучения.
Уметь: применять методы машинного обучения для решения задач классификации и регрессии; оценивать качество моделей машинного обучения.
Владеть: терминологией машинного обучения; инструментальными средствами для построения моделей машинного обучения с учителем.
Курс уже начался
СПбГУКурс уже началсяКурс уже начался
Кандидат технических наук, доцент
Должность: доцент Института интеллектуальных кибернетических систем НИЯУ МИФИ
Национальный исследовательский ядерный университет «МИФИ»
Войти и записаться