Ближайшая дата курса: узнать дату

Следующая дата курса:

Data Science. Уровень 2: Машинное обучение

Машинное обучение (machine learning) — один из основным методов для дата-сайентиста, специалиста по работе с большими данными. Основная идея машинного обучения — на основе методов математической статистики и оптимизации создать самообучающийся алгоритм, который будет находить связи и закономерности в больших массивах неструктурированных данных.

На втором уровне подготовки дата сайентистов в Образовательном центре МГТУ им. Н.Э. Баумана Вы научитесь:

  • Основам работы машинного обучения
  • Использовать метод ближайших соседенй (kNN)
  • Работать Основным метрикам в задачах бинарной классификации
  • Подготавливать и нормализовать данные для последующей обработки
  • Работать с атрибутами методом опорных векторов SVM
  • Работать с методами регрессивного и кластерного анализов
  • Разрабатывать рекомендательные системы

Для успешного усвоения курса требуется знания по курсу “Data Science. Уровень 1: Основные технологии. Python для анализа данных” или аналогичная подготовка.

Продолжить обучение можно на курсе “Data Science. Уровень 3: Нейронные сети

Во время обучения Вы узнаете:

Введение в машинное обучение

  • Понятие «машинное обучение».
  • Обоснованность использования.
  • Подразделы машинного обучения.
  • Обучение с учителем, обучение без учителя, обучение с подкреплением.

1,5 ак.ч.

Метод ближайших соседей (kNN)

  • Описание метода kNN.
  • Область решаемых задач.
  • Метрики качества.
  • Разбор кода с примером реализации алгоритма.

3,5 ак.ч.

Метрики и их практическое применение

  • Что такое метрики.
  • Метрики в задачах бинарной классификации.
  • Разбор основных метрик качества для различных типов задач.

4,5 ак.ч.

Подготовка и нормализация данных. Уменьшение размерности данных – Метод главных компонент

  • Этапы подготовки данных.
  • Понятие нормализация.
  • Почему данные нужно нормализовывать.
  • Уменьшение размерности – методы PCA, t-SNE.
  • Разбор кода с примерами реализации метода главных компонент.

2,5 ак.ч.

Выбор атрибутов при решении задачи. Метод опорных векторов SVM

  • Выбор атрибутов для анализа.
  • Метод SVM, предсказание вероятности принадлежности классу.
  • Суть алгоритма, линейно разделимые и неразделимые выборки.
  • Плюсы и минусы алгоритма. Разбор кода с реализацией алгоритма SVM.

2,5 ак.ч.

Регрессия (прогнозирование конкретного значения)

  • Задача регрессии.
  • Линейная регрессия, логистическая регрессия.
  • Регрессии: разбор кода с реализацией алгоритма.

4,5 ак.ч.

Decision trees, random forest

  • Решающие деревья и случайный лес.
  • Суть алгоритмов. Плюсы и минусы.
  • Decision trees, random forest: разбор кода с реализацией алгоритма.

4,5 ак.ч.

Разбалансированные датасеты и методы их балансировки

  • Понятие разбалансировки.
  • Причины возникновения.
  • Методы балансировки датасетов.
  • Разбор кода – работа с разбалансированным датасетом.

1,5 ак.ч.

Bagging, boosting, stacking – алгоритмы повышения точности

  • Цели и задачи повышения точности.
  • Bagging, boosting, stacking.
  • Разбор кода с реализацией алгоритмов.

3,5 ак.ч.

Кластеризация, метод k-mean. Полная и условная вероятность, теорема Байеса

  • Понятие кластеризация.
  • Алгоритм k-mean, c-mean.
  • Полная и условная вероятность, теорема Байеса.
  • Алгоритм k-mean, c-mean: разбор кода с алгоритмами кластеризации и байесовскими классификаторами.

4,5 ак.ч.

Рекомендательные системы. Персонализированные и неперсонализированные, проблема холодного старта

  • Что такое рекомендательная система.
  • Типы рекомендательных систем.
  • Области применения.
  • Понятие холодного старта.
  • Рекомендательная система: разбор кода с рекомендательными системами.

5 ак.ч.

Внедрение моделей в production

  • Сохранение моделей машинного обучения.
  • Библиотека Flask для веб-приложений.
  • Библиотека git для контроля версионности.
  • Пошаговый алгоритм действий по выведению модели в Production.
  • Учебный хостинг heroku.com.

5 ак.ч.

Построение модели и внедрение в Production

  • Создание веб приложения – анализ сердечно-сосудистых заболеваний.
  • Обучение модели и выведение в Production.

5 ак.ч.

48 ак.ч.

Стоимость обучения: 34 250 р.

Даты

Время

Цена

Место занятий

Преподаватель

Соколов Григорий Владимирович

 

Образование
Пермский государственный технический университет. Механико-технологический факультет. Композиционные материалы.

Дополнительное образование
1. Пермский государственный финансово – экономический колледж при правительстве РФ. Финансист.
2. Университет искусственного интеллекта. Data scientist & Engineer

Опыт работы более 10 лет

  • Решение сложных инжиниринговых задач в области финансов, производства и ИТ.
  • Создание IT-систем с применением методов искусственного интеллекта при МГТУ им. Н.Э. Баумана.
  • Разработка и внедрение систем для Министерства обороны, ФНС, Госархива РФ, ФСО.
  • Автором программно-технического комплекса “BAUM AI” для хранения больших данных, обучения и использования моделей искусственного интеллекта без необходимости кодирования – по принципу drag-n-drop.

После успешного прохождения образовательных программ, предлагаемых МГТУ им. Н. Э Баумана, вы получите один из следующих документов:

серт

Сертификат (на русском языке с дублированием информации на английском языке) установленного образца, в котором будут указаны полное наименование программы и количество часов обучения.

удо

Удостоверение о повышении квалификации (на русском языке), в котором будут указаны полное наименование программы и количество часов обучения.

* Удостоверение о повышении квалификации выдается слушателям, успешно завершившим обучение по образовательным программам повышения квалификации. Тип выбранной Вами образовательной программы Вы можете уточнить у менеджеров.

+ Программа курса

Во время обучения Вы узнаете:

Введение в машинное обучение

  • Понятие «машинное обучение».
  • Обоснованность использования.
  • Подразделы машинного обучения.
  • Обучение с учителем, обучение без учителя, обучение с подкреплением.

1,5 ак.ч.

Метод ближайших соседей (kNN)

  • Описание метода kNN.
  • Область решаемых задач.
  • Метрики качества.
  • Разбор кода с примером реализации алгоритма.

3,5 ак.ч.

Метрики и их практическое применение

  • Что такое метрики.
  • Метрики в задачах бинарной классификации.
  • Разбор основных метрик качества для различных типов задач.

4,5 ак.ч.

Подготовка и нормализация данных. Уменьшение размерности данных – Метод главных компонент

  • Этапы подготовки данных.
  • Понятие нормализация.
  • Почему данные нужно нормализовывать.
  • Уменьшение размерности – методы PCA, t-SNE.
  • Разбор кода с примерами реализации метода главных компонент.

2,5 ак.ч.

Выбор атрибутов при решении задачи. Метод опорных векторов SVM

  • Выбор атрибутов для анализа.
  • Метод SVM, предсказание вероятности принадлежности классу.
  • Суть алгоритма, линейно разделимые и неразделимые выборки.
  • Плюсы и минусы алгоритма. Разбор кода с реализацией алгоритма SVM.

2,5 ак.ч.

Регрессия (прогнозирование конкретного значения)

  • Задача регрессии.
  • Линейная регрессия, логистическая регрессия.
  • Регрессии: разбор кода с реализацией алгоритма.

4,5 ак.ч.

Decision trees, random forest

  • Решающие деревья и случайный лес.
  • Суть алгоритмов. Плюсы и минусы.
  • Decision trees, random forest: разбор кода с реализацией алгоритма.

4,5 ак.ч.

Разбалансированные датасеты и методы их балансировки

  • Понятие разбалансировки.
  • Причины возникновения.
  • Методы балансировки датасетов.
  • Разбор кода – работа с разбалансированным датасетом.

1,5 ак.ч.

Bagging, boosting, stacking – алгоритмы повышения точности

  • Цели и задачи повышения точности.
  • Bagging, boosting, stacking.
  • Разбор кода с реализацией алгоритмов.

3,5 ак.ч.

Кластеризация, метод k-mean. Полная и условная вероятность, теорема Байеса

  • Понятие кластеризация.
  • Алгоритм k-mean, c-mean.
  • Полная и условная вероятность, теорема Байеса.
  • Алгоритм k-mean, c-mean: разбор кода с алгоритмами кластеризации и байесовскими классификаторами.

4,5 ак.ч.

Рекомендательные системы. Персонализированные и неперсонализированные, проблема холодного старта

  • Что такое рекомендательная система.
  • Типы рекомендательных систем.
  • Области применения.
  • Понятие холодного старта.
  • Рекомендательная система: разбор кода с рекомендательными системами.

5 ак.ч.

Внедрение моделей в production

  • Сохранение моделей машинного обучения.
  • Библиотека Flask для веб-приложений.
  • Библиотека git для контроля версионности.
  • Пошаговый алгоритм действий по выведению модели в Production.
  • Учебный хостинг heroku.com.

5 ак.ч.

Построение модели и внедрение в Production

  • Создание веб приложения – анализ сердечно-сосудистых заболеваний.
  • Обучение модели и выведение в Production.

5 ак.ч.

48 ак.ч.

Стоимость обучения: 34 250 р.

+ Расписание

Даты

Время

Цена

Место занятий

Преподаватель

+ Преподаватели

Соколов Григорий Владимирович

 

Образование
Пермский государственный технический университет. Механико-технологический факультет. Композиционные материалы.

Дополнительное образование
1. Пермский государственный финансово – экономический колледж при правительстве РФ. Финансист.
2. Университет искусственного интеллекта. Data scientist & Engineer

Опыт работы более 10 лет

  • Решение сложных инжиниринговых задач в области финансов, производства и ИТ.
  • Создание IT-систем с применением методов искусственного интеллекта при МГТУ им. Н.Э. Баумана.
  • Разработка и внедрение систем для Министерства обороны, ФНС, Госархива РФ, ФСО.
  • Автором программно-технического комплекса “BAUM AI” для хранения больших данных, обучения и использования моделей искусственного интеллекта без необходимости кодирования – по принципу drag-n-drop.
+ Документы об окончании

После успешного прохождения образовательных программ, предлагаемых МГТУ им. Н. Э Баумана, вы получите один из следующих документов:

серт

Сертификат (на русском языке с дублированием информации на английском языке) установленного образца, в котором будут указаны полное наименование программы и количество часов обучения.

удо

Удостоверение о повышении квалификации (на русском языке), в котором будут указаны полное наименование программы и количество часов обучения.

* Удостоверение о повышении квалификации выдается слушателям, успешно завершившим обучение по образовательным программам повышения квалификации. Тип выбранной Вами образовательной программы Вы можете уточнить у менеджеров.

+ Отзывы