Машинное обучение: оценка моделей и выбор гиперпараметров (Machine Learning)

Курс «Машинное обучение: парадигмы, методы, построение моделей» — это официальная программа повышения квалификации НИЯУ МИФИ объёмом 72 академических часа. В ходе обучения слушатели осваивают фундаментальные основы машинного обучения с учителем: от парадигм и ключевых принципов (индуктивное смещение, обобщение, функции потерь, эмпирический риск) до построения и оценки моделей регрессии и классификации, включая байесовскую классификацию, кросс-валидацию, ROC и PR-кривые, а также многоклассовые метрики качества. Программа является двуязычной: материалы представлены на английском языке с русскими субтитрами.

Повышение квалификации, а не «второе высшее». Вам не нужно писать диплом и тратить полгода. Всего 72 академических часа — и вы получаете официальное удостоверение НИЯУ МИФИ. Быстро, конкретно, с фокусом на практику.

Почему удостоверение от МИФИ имеет значение? НИЯУ МИФИ — это ведущий технический университет с мировым именем. Входит в топ-3 технических вузов России, а его выпускники ценятся работодателями из госкорпораций и высокотехнологичных отраслей. Документы о повышении квалификации, выданные университетом, признаются в сфере IT, инженерии и государственном секторе. Удостоверение вносится в реестр ФИС ФРДО.

Сколько времени займёт обучение? Программа включает 72 академических часа. Обучение проходит онлайн, в удобном для слушателя темпе. Как правило, освоение курса занимает от двух до трёх недель. Доступ к материалам сохраняется на весь период сессии.

Как считается трудоемкость? 36 часов - это общая трудоемкость освоения программы. Она включает в себя следующие виды учебных занятий:

• Просмотр видеолекций (общая длительность в среднем составляет около 200 минут).
• Самостоятельное изучение и конспектирование материалов.
• Прохождение промежуточных тестов (каждый можно пройти 2 раза).
• Взаимодействие с тьютором/преподавателем по вопросам обучения.
• Подготовка и прохождение итоговой аттестации.

Кому подойдёт этот курс? Курс ориентирован на специалистов в области анализа данных, инженеров по машинному обучению, исследователей, а также на студентов и аспирантов технических специальностей. Для успешного освоения программы требуются знания университетских курсов математического анализа, линейной алгебры, теории вероятностей и математической статистики; желательны базовые знания методов оптимизации и прикладного статистического анализа. Программа будет полезна всем, кто хочет углубить математические основы машинного обучения с учителем.

Кто вас учит? Курс разработан преподавателями НИЯУ МИФИ — ведущими экспертами в области машинного обучения, статистического анализа данных и математического моделирования. Авторы программы имеют многолетний опыт преподавания и научных исследований в сфере интеллектуального анализа данных и построения прогнозных моделей.

Почему этот курс стоит выбрать? Это фундаментальный теоретический курс, который дает знание, не устаревающее с выходом новой версии фреймворка. Вы изучите математическую природу алгоритмов: байесовскую классификацию, функции потерь, кросс-валидацию, ROC и PR-кривые. Это понимание отличает настоящего ML-инженера от «оператора библиотек»: вы сможете не просто строить модели, а осознанно оценивать их качество, выбирать гиперпараметры и интерпретировать результаты. Лекции на английском с субтитрами — бонус для тех, кто планирует работать с международной документацией или в глобальных командах. Преподаватели — эксперты МИФИ, чьи знания подкреплены сотрудничеством с высокотехнологичными предприятиями.

Инструменты и технологии, которые вы освоите:

• Основы машинного обучения: парадигмы ML, конвейер обработки данных, индуктивное смещение и обобщение, supervised и unsupervised learning.
• Методы регрессии и классификации: функции потерь, эмпирический риск, кросс-валидация, матрица путаницы, ROC и PR-кривые, метод ECOC, многоклассовые метрики.
• Байесовская классификация: байесовское правило принятия решений, оценка плотности, нормальный байесовский классификатор, классификатор с общей ковариационной матрицей, непараметрическая оценка плотности, ядерные функции.
• Оценка качества моделей: методы валидации, интерпретация метрик, выбор гиперпараметров, практические рекомендации по построению моделей машинного обучения с учителем.

Как устроено обучение:

• Видеолекции с практикой. Короткие ролики с примерами (образец урока — справа вверху страницы).
• Тесты после каждого модуля. Закрепляете знания, каждый тест можно пройти 2 раза.
• Итоговая аттестация с прокторингом. Удалённый экзамен с идентификацией личности для получения официального удостоверения.
• Поддержка. В разделе «Обсуждение» можно задать вопросы авторам курса.

Все материалы становятся доступны сразу после оплаты. Учитесь в удобное время, без жёсткого графика.

Корпоративным клиентам: Для юридических лиц возможно корпоративное обучение по счёту-оферте. Запрос отправляйте на openedu@mephi.ru с указанием ФИО, должности и организации.

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 с общей ковариацией

После курса вы сможете (вот что попадёт в ваше резюме):

• Понимать основные парадигмы машинного обучения и принципы организации обучения с учителем, включая индуктивное смещение, обобщение и конвейер обработки данных.
• Применять методы регрессии и классификации для решения прикладных задач, используя различные функции потерь и подходы к минимизации эмпирического риска.
• Использовать байесовскую классификацию (включая нормальный байесовский классификатор и классификатор с общей ковариационной матрицей) для построения вероятностных моделей.
• Оценивать качество моделей машинного обучения с использованием современных метрик: матрицы путаницы, ROC и PR-кривых, многоклассовых показателей, методов кросс-валидации.
• Применять инструментальные средства для построения моделей машинного обучения с учителем и интерпретировать полученные результаты на строгом математическом уровне.

Честные правила возврата денег

• ✅ Открыли менее 25% блоков — вернём 100%.
• ✅ Открыли от 25% до 50% блоков — вернём 25%.
• ❌ Открыли более 50% блоков — возврата нет (услуги считаются оказанными).
• ❌ Не набрали 60 баллов (или не завершили обучение до окончания сессии) — возврата нет (услуги считаются оказанными, документ не выдан).
• ❌ Вас поймали на списывании — возврата нет, договор расторгнут.

Что такое «открытие блока»? Это технический факт загрузки страницы с учебным материалом (видео, тест, текст) на Портале. 
Неважно, смотрели ли вы видео до конца или отправляли ответы на тест — система фиксирует сам факт открытия страницы. 
Процент просмотра отображается в вашем личном кабинете.
Если вы открыли блок, а внутри ничего нет (пустая страница) — сделайте скриншот и сразу сообщите нам на openedu@mephi.ru. 
Мы проверим и решим проблему либо по запросу вернем деньги, если проблема на нашей стороне.

Для возврата средств направьте письменное требование на openedu@mephi.ru. Возврат осуществляется в течение 15 рабочих дней.

Часто задаваемые вопросы

Как получить удостоверение?
Успешно завершить программу (набрать 60+ баллов из 100 по всем тестам). Документ высылаем на почту в электронном виде. Оригинал — по запросу.

Как быстро я получу удостоверение?
Электронное удостоверение высылаем в течение 30 рабочих дней после успешной проверки прокторинга. Оригинал на бумаге — по вашему запросу; отправим почтой 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 с субтитрами на английском языке. Программа реализуется с применением исключительно электронного обучения и дистанционных образовательных технологий. Все услуги предоставляются в соответствии с публичной офертой.