Курс Машинное обучение на Python [2020] [Дмитрий Ермилов] [Университет Искусственного Интеллекта]
Цели курса:
1. Научиться решать задачи машинного обучения на Python - Вы освоите все основные темы машинного обучения и сможете применять эти методы в своей работе для решения текущего проекта или для трудоустройства в новую компанию и на новое направление
2. Реализовать свой рабочий проект - многие проекты могут потребовать применения методов машинного обучения, если у вас есть подобный проект, вы сможете реализовать его за курс
3. Получить сертификат, рекомендацию и создать портфолио проектов - после завершения курса вы получите весомый сертификат и рекомендацию, так же у вас будет портфолио из нескольких решённых вами практических задач.
4. Решить 10 практических задач по машинному обучению - каждое занятие будет сопровождаться практикой - решением конкретной задачи из области машинного обучения.
5. Получить практику на стажировке в Лаборатории Университета - в Лаборатории Университета искусственного интеллекта вы можете получить практический опыт применения машинного обучения в реальных проектах.
Темы занятия:
Темы занятия:
Темы занятия:
Темы занятия:
Цели курса:
1. Научиться решать задачи машинного обучения на Python - Вы освоите все основные темы машинного обучения и сможете применять эти методы в своей работе для решения текущего проекта или для трудоустройства в новую компанию и на новое направление
2. Реализовать свой рабочий проект - многие проекты могут потребовать применения методов машинного обучения, если у вас есть подобный проект, вы сможете реализовать его за курс
3. Получить сертификат, рекомендацию и создать портфолио проектов - после завершения курса вы получите весомый сертификат и рекомендацию, так же у вас будет портфолио из нескольких решённых вами практических задач.
4. Решить 10 практических задач по машинному обучению - каждое занятие будет сопровождаться практикой - решением конкретной задачи из области машинного обучения.
5. Получить практику на стажировке в Лаборатории Университета - в Лаборатории Университета искусственного интеллекта вы можете получить практический опыт применения машинного обучения в реальных проектах.
1. Подготовка данных для построения модели и простейшие алгоритмы машинного обучения
Темы занятия:
Темы занятия:
- Первичная обработка исходных данных. Основные недостатки исходных данных: «мусор», пропуски, выбросы;
- Метод k-соседей (k- neighbors);
- Обработка исходных данных DataSet Titanic и построение модели бинарной классификации.
Задание: предсказание заберут или нет животное из питомника DataSet PetFinder (бинарная классификация)
2. Метрики в задачах бинарной классификации, классификаторы БайесаТемы занятия:
- Метрики в задачах бинарной классификации. Полнота, точность, accuracy, ROC-AUC кривая, f-мера;
- Классификаторы Байес;
- Построение модели для DataSet Titanic, анализ качества моделей.
Задание: оценка моделей бинарной классификации на примере DataSet PetFinder
3. Линейные модели, задачи регрессииТемы занятия:
- Линейная регрессия, метод наименьших квадратов;
- Задача регрессии и нормализация признаков;
- Построение модели для DataSet Energy Star Score, анализ качества модели.
Задание: определение цены дома (задача регрессии) Boston house prices dataset
4. Метод опорных векторов (SVM), предсказание вероятности принадлежности к классуТемы занятия:
- Метод опорных векторов (SVM), наглядная демонстрация модели на примере DataSet Iris;
- Наглядная демонстрация модели на примере DataSeta Iris;
- Определение вероятности принадлежности классу на примере DataSet Titani.
Задание: предсказание вероятности события заберут или нет животное из питомника DataSet PetFinder
5. Решающие деревья, случайный лес, градиентный бустингТемы занятия:
- Алгоритмы построения решающих деревьев ID3 и С4.5;
- Случайный лес в задачах регрессии и классификации;
- Градиентный бустинг;
- Построение моделей на основе решающих деревьев на примере DataSet Titanic.
Задание: построение классических моделей машинного обучения Boston house prices dataset, DataSet PetFinder, сравнение их качества
6. Многоклассовая классификация, кластеризацияТемы занятия:
- Алгоритмы кластеризации данных (метод k-соседей, иерархические методы, t-SNE);
- Модели многоклассовой классификации, оценки их параметров на примере Wine Dataset Recognition.
Задание: определение по рецепту (список ингредиентов) страну происхождения блюда (многоклассовая классификация) DataSet "What's cooking?"
7. Решение задачи регрессииТемы занятия:
- Feature selection/ feature engineering;
- Построение модели на примере DataSet House Price.
Задание: feature selection и feature engineering в задаче предсказания цены дома Boston house prices dataset
8. Решение NLP задачиТемы занятия:
- Регулярные выражения;
- Способы численного представления текстовой информации;
- Построение моделей на примере DataSet Imdb.
Задание: определение жанра текста the 20 newsgroups text DataSet
9. Решение маркетинговой задачи по оттоку клиентовТемы занятия:
- Статистический анализ признаков;
- Построение модели на примере DataSet Telecom Churn.
Задание: предсказание оттока клиентов компании DataSet Telecom Churn
10. Решение задачи по построению рекомендательной системыТемы занятия:
- Подходы к построению рекомендательных систем;
- SVD-разложение, векторные представления объектов;
- Построение модели на примере MovieLens 20M DataSet.
Задание: построение рекомендательной системы фильмов на примере MovieLens 20M DataSet.
11. Решение задачи идентификацииТемы занятия:
- Методы обработки изображений;
- Построение модели на примере Fashion-MNIST.
Задание: идентификация признаков по изображению лица The Olivetti faces dataset
https://neural-university.ru/machine-learning