Этот курс охватывает алгоритмы, которые используются, когда известна целевая переменная, которая должна быть предсказана. Он начинается с простого KNN и заканчивается полностью подключенными нейронными сетями с прямой связью. Правильное тестирование модели необходимо для создания надежного продукта. Студенты знакомятся с различными методами и параметрами тестирования, которые помогают строить обобщенные и устойчивые модели.
Учебный план
17.08-07.09 — 45 часов лекция и практик 09:00 — 12:00
Что будете изучать:
● Метод k-ближайших соседей; ● Модели на основе деревьев; ● Ансамблевые методы; ● Adaboost; ● XGBoost; ● Метод опорных векторов (SVM); ● Введение в нейронные сети; ● Рекомендательные системы; ● Коллаборативная фильтрация.
Что будете уметь:
● Опыт понимания и использования линейных /нелинейных моделей; ● Глубокое понимание моделей обучения c учителем и без, как пример линейная регрессия, логистическая регрессия, SVM, кластеризация и К ближайших соседей; ● Представление о том, как на самом деле работает магия нейронных сетей, и сможете написать их самостоятельно; ● Создание воспроизводимых machine learning pipelines; ● Опыт применения изученых методов для решения реальных проблем; ● Опыт построения API моделей машинного обучения
Этот курс охватывает алгоритмы, которые используются, когда известна целевая переменная, которая должна быть предсказана. Он начинается с простого KNN и заканчивается полностью подключенными нейронными сетями с прямой связью. Правильное тестирование модели необходимо для создания надежного продукта. Студенты знакомятся с различными методами и параметрами тестирования, которые помогают строить обобщенные и устойчивые модели.
Учебный план
17.08-07.09 — 45 часов лекция и практик09:00 — 12:00
Что будете изучать:
● Метод k-ближайших соседей;● Модели на основе деревьев;● Ансамблевые методы;● Adaboost;● XGBoost;● Метод опорных векторов (SVM);● Введение в нейронные сети;● Рекомендательные системы;● Коллаборативная фильтрация.
Что будете уметь:
● Опыт понимания и использования линейных /нелинейных моделей;● Глубокое понимание моделей обучения c учителем и без, как пример линейная регрессия, логистическая регрессия, SVM, кластеризация и К ближайших соседей;● Представление о том, как на самом деле работает магия нейронных сетей, и сможете написать их самостоятельно;● Создание воспроизводимых machine learning pipelines;● Опыт применения изученых методов для решения реальных проблем;● Опыт построения API моделей машинного обучения
Регистрация