Основы машинного обучения и нейронных сетей

Программа

• Введение в машинное обучение (Machine Learning, ML)

  8 ч.

  • Основная терминология, область применения и актуальность;

  • Типовые ML задачи;

  • Обучение с учителем: классы алгоритмов и разбор конкретных алгоритмов;

  • Обучение без учителя: классы алгоритмов и разбор конкретных алгоритмов;

  • Обучение с подкреплением: классы алгоритмов и разбор конкретных алгоритмов;

  • Повышение и понижение размерности

  • Демонстрация: создание модели (предсказание цены)

  • Data Science - процесс:

    • Поиск и источники данных;

    • Препроцессинг данных;

    • Дизайн признаков (feature engineering);

    • Выбор подходящего ML-алгоритма;

    • Тренировка модели.

  • Оценка результата:

    • Базовые метрики;

    • Агрегирующие метрики.

  • Обогащение данных:

    • Открытые источники;

    • Внутренние ресурсы.

  • Data science инструменты: основные языки программирования, ML-фреймворки и облачные сервисы

  • Практика: создание ML-модели с использованием облачного сервиса.

• Введение в глубокое обучение (Deep Learning, DL)

  4 ч.

  • Основная терминология, область применения и актуальность;

  • Основы нейронных сетей. Персептрон;

  • Современные нейросетевые архитектуры;

  • Сверточные нейронные сети;

  • Рекуррентные нейронные сети;

  • Автоэнкодеры;

  • Data science инструменты: DL-фреймворки;

  • Практика/демонстрация:

    • Основы python;

    • Самостоятельная лабораторная работа (распознавание изображений с помощью нейронных сетей);

    • Обучение при распознавании изображений с помощью нейронных сетей.

• Управление Data Science-процессом

  4 ч.

  • Постановка задач

  • Команда

  • Методологии (CRISP)

  • Интеграция в существующие процессы компании