Машинное обучение (Machine Learning)

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.

Что вы получите после оплаты:

• Доступ ко всем материалам курса (видеолекции + тесты).
• Возможность пройти итоговый тест с процедурой идентификацией личности (прокторинг).
• Возможность получить электронный сертификат, если наберете 60% баллов за тесты к разделам и итоговый тест. ВАЖНО: сертификат не является документом государственного образца!
• Если вы хотите пройти курс как программу повышения квалификации с выдачей удостоверения гос. образца - напишите на openedu@mephi.ru

Как оплатить и получить доступ ко всем материалам:

• Зарегистрируйтесь на портале openedu.ru.
• Запишитесь на курс (кнопка "Записаться" справа).
• Курс появится в разделе “Мои курсы”, вы сможете посмотреть бесплатную часть.
• Оплатите курс в разделе "Мои курсы".
• Сразу после оплаты вам откроется доступ ко всем материалам.
• Изучайте материалы в удобное время, без дедлайнов и дополнительных проверок.

Хотите официальное удостоверение?

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.

Стоимость доступа к материалам курса за исключением ознакомительной части (включая тестовые материалы и возможность пройти экзамен с прокторингом и получить сертификат) составляет 3600 рублей. Для этого нужно пройти текущее тестирование не меньше чем на 60% и итоговый тест не меньше чем на 60%.

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.

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.

• Основные парадигмы машинного обучения
• Модели и методы машинного обучения с учителем
• Методы оценки качества моделей машинного обучения

• Применять методы машинного обучения для решения задач классификации и регрессии
• Оценивать качество моделей машинного обучения

• Владеть терминологией машинного обучения
• Владеть инструментальными средствами для построения моделей машинного обучения с учителем

В результате успешного прохождения курса у вас сложится понимание того, что такое машинное обучение, для решения каких задач и в каких случаях его следует применять, в чем его преимущества и особенности. Вы узнаете о том, как устроены  модели машинного обучения с учителем и как их использовать для решения задач классификации и регрессии, как работают алгоритмы обучения и что характеризуют их параметры, сможете осмысленно сконструировать модели машинного обучения, обучить их на имеющихся выборках данных и оценить их качество.

В результате обучения по курсу слушатель получит:

• Знание основных парадигм машинного обучения; моделей и методов машинного обучения с учителем; методов оценки качества моделей машинного обучения
• Умение применять методы машинного обучения для решения задач классификации и регрессии; оценивать качество моделей машинного обучения
• Навыки применения терминологии машинного обучения; применения инструментальных средств для построения моделей машинного обучения с учителем