Машинное обучение: от теории к практике
Углубленный курс по машинному обучению, охватывающий как теоретические основы, так и практические аспекты применения ML-алгоритмов. Изучите различные методы обучения и их применение в реальных задачах.
Что включает курс:
- Введение в машинное обучение и его типы
- Линейная и логистическая регрессия
- Деревья решений и случайные леса
- Метод опорных векторов (SVM)
- Кластеризация: K-means, иерархическая кластеризация
- Методы снижения размерности: PCA, t-SNE
- Ансамблевые методы: бэггинг, бустинг
- Оценка и валидация моделей
Детали курса:
- Уровень: Средний
- Продолжительность: 10 недель
- Формат: Онлайн-материалы
- Язык: Русский
Подробное описание курса
Курс "Машинное обучение: от теории к практике" предназначен для студентов, которые хотят получить глубокое понимание алгоритмов машинного обучения. Этот курс сочетает теоретические основы с практическим применением, что позволяет студентам не только понять, как работают алгоритмы, но и научиться применять их для решения реальных задач.
Программа курса
Модуль 1: Введение в машинное обучение
Основные концепции ML, типы обучения (с учителем, без учителя, с подкреплением), постановка задач машинного обучения.
Модуль 2: Линейные модели
Линейная регрессия, метод наименьших квадратов, регуляризация (Ridge, Lasso), логистическая регрессия для задач классификации.
Модуль 3: Деревья решений
Алгоритмы построения деревьев решений, критерии разделения, обрезка деревьев, случайные леса.
Модуль 4: Метод опорных векторов
Принципы работы SVM, ядра (kernel functions), применение SVM для классификации и регрессии.
Модуль 5: Кластеризация
Алгоритм K-means, выбор оптимального числа кластеров, иерархическая кластеризация, DBSCAN.
Модуль 6: Снижение размерности
Метод главных компонент (PCA), t-SNE для визуализации данных, автоэнкодеры.
Модуль 7: Ансамблевые методы
Бэггинг, бустинг (AdaBoost, Gradient Boosting, XGBoost), стекинг.
Модуль 8: Оценка моделей
Метрики качества (accuracy, precision, recall, F1-score), кроссвалидация, переобучение и недообучение, настройка гиперпараметров.
Предварительные требования
Для успешного прохождения курса необходимо:
- Знание основ программирования (Python предпочтительно)
- Понимание линейной алгебры и математического анализа
- Базовые знания теории вероятностей и статистики
- Желательно прохождение курса "Математика для Data Science"
Чему вы научитесь
- Понимать теоретические основы различных алгоритмов ML
- Выбирать подходящий алгоритм для конкретной задачи
- Применять алгоритмы машинного обучения на практике
- Оценивать качество моделей и улучшать их производительность
- Работать с различными типами данных
