Целевая аудитория

Все желающие
• Программисты
• Специалисты IT-отрасли
• Системные администраторы
• Аналитики
• Студенты и научные сотрудники

Программа

  • 1. Постановка задачи машинного обучения.

    • Основные понятия машинного обучения

    • Что такое Jupyter и Anaconda.

    • Основные структуры данных в Python

    • Методы оптимизации

    • Схема построения систем машинного обучения.

    • Необходимый инструментарий.

  • Обучение с учителем. (6 ак.ч.)

    • Приложения машинного обучения

    • Обучение на данных

    • Понятие нейронной сети.

    • Персептрон. Определение, реализация и обучение.

    • Основные понятия задачи классификации

    • Метод градиентного спуска.

  • Использование библиотека scikit-learn для машинного обучения.

    • Обучение персептрона.

    • Метод логистической регрессии.

    • Метод опорных векторов.

    • Метод k ближайших соседей.

  • Обучение с учителем. Задача регрессии

    • Аппроксимация, интерполяция, экстраполяция

    • Обучение с учителем.

    • Линейная регрессия.

    • Метод наименьших квадратов.

    • Метод градиентного спуска.

    • Основы нелинейной регрессии.

  • Обучение без учителя.

    • Особенности кластерного анализа

    • Метод k средних.

    • Алгоритмы кластеризации, и области применения

  • Основы глубокого обучения.

    • Основные понятия глубокого обучения

    • Области применения

    • Многослойная нейронная сеть.

    • Введение в глубокое обучение

    • Основные понятия глубокого обучения и области применения

    • Алгоритмы глубокого обучения нейронных сетей

    • Применение библиотек для обучения многослойных нейронных сетей. Аудиторная нагрузка в классе с преподавателем