Программа
    • Введение в машинное обучение (Machine Learning, ML)

      • 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;
      • Практика: создание первой модели
      • Современный процесс создания ML-моделей
      • Как сформулировать задачу
      •    1. Поиск и источники данных
      •    2. Препроцессинг данных
      •    3. Выбор подходящего ML-алгоритма
      •    4. Тренировка модели
      •    5. Оценка результата
      • 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)

      • Основная терминология, область применения и актуальность;
      • Основы нейронных сетей. Персептрон;
      • Современные нейросетевые архитектуры;
      • Сверточные нейронные сети;
      • Рекуррентные нейронные сети;
      • Состязательные нейронные сети
      • Автоэнкодеры;
      • Data science инструменты: DL-фреймворки;
      • Практика:
      •    1. Основы R
      •    2. Лабораторная по задаче компьютерного зрения
      •    3. Лабораторная по предсказания значения временных рядов.