PYML: Машинное обучение на Python

Практический курс Машинное обучение: основы Machine Learning и Data Science

Код курса Даты начала курса Стоимость обучения Длительность обучения Формат обучения
PYML
17 февраля 2025
54 000 руб. 24 ак.часов Дистанционный
Регистрация

6-дневный практический курс по основам машинного обучения для специалистов по аналитике данных, разработчиков и руководителей, которые хотят освоить базовые понятия Machine Lerning.

Что такое машинное обучение (Machine Learning)

Машинное обучение (Machine Learning) — это раздел искусственного интеллекта, изучающий математические, статистические и вычислительные методы для разработки алгоритмов, способных обучаться и решать задачи не прямым способом, а на основе поиска закономерностей в разнообразных входных данных. Решение вычисляется не по точно заданной формуле, а по установленной зависимости результатов от конкретного набора признаков и их значений.

На практике машинное обучение широко применяется в широком спектре исследовательских и прикладных задач:

  • прогнозирование событий и ситуационный анализ, например, отток клиентов в ритейле или заблаговременное предсказание поломок промышленного оборудования;
  • распознавание образов (изображений, лиц, голоса и т.д.);
  • классификация образцов, в частности, рентгеновских снимков для постановки диагноза;
  • выявление мошеннических операций (антифрод-системы в банках и cybersecurity).

Как именно Machine Learning можно использовать для конкретных бизнес-кейсов, вы узнаете в рамках нашего образовательного курса «Введение в машинное обучение».

 

Кому нужны обучающие курсы по машинному обучению

Практический курс «Машинное обучение на Python» по основам Machine Learning предназначены для аналитиков, разработчиков программного обеспечения, руководителей и специалистов, которые хотят получить следующие знания и навыки:

  • понять, что такое машинное обучение и искусственный интеллект;
  • знать, как эффективно использовать инструменты Data Science в бизнесе;
  • разобраться с математическими основами Machine Learning;
  • освоить базовые методы машинного обучения;
  • обрабатывать датасеты для подготовки к моделированию;
  • строить собственные модели Machine Learning;
  • интерпретировать результаты моделирования.

Предварительный уровень подготовки:

Как построен образовательный курс «Машинное обучение на Python»

Продолжительность: 6 дней, 24 академических часа.

Соотношение теории к практике 50/50

О курсе: Данный курс является введением в тематику машинного обучения.  В курсе будет рассказано о месте машинного обучения в области искусственного интеллекта, изложены математические основы методов машинного обучения, сформулированы базовые задачи, которые могут быть решены с помощью методов машинного обучения. Большое внимание в курсе уделено практическому решению задач с использованием методов машинного обучения на языке Python. По окончанию курса вы овладеете основными навыками, необходимыми для решения базовых задач в области искусственного интеллекта.

Аудитория: Специалисты по работе с большими данными, разработчики, руководители желающие понять принципы функционирования методов машинного обучения и получить практический навык построения базовых моделей.

Успешно окончив курс «Машинное обучение на Python» в нашем лицензированном учебном центревы получите сертификат о повышении квалификации установленного образца.

Программа курса "Машинное обучение на Python"

  1. Место машинного обучения в области искусственного интеллекта
    Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета (2 часа).
    Практическая часть: первичный анализ датасета, предобработка данных (2 часа).
  2. Классификация, деревья, случайный лес
    Теоретическая часть: определение и примеры задач классификации. Математическое описание модели решающего дерева в задачи бинарной классификации. Метрики бинарной классификации (2 часа).
    Практическая часть: решение задач бинарной и множественной классификаций (2 часа).
  3. Линейные модели для классификации и регрессии
    Теоретическая часть: определение и примеры задач регрессии. Математическое описание модели линейной регрессии. Метрики задач регрессии. Способы регуляризации (2 часа).
    Практическая часть: решение задачи регрессии (2 часа).
  4. Кластеризация и снижение размерности
    Теоретическая часть: определение и примеры задач кластеризации. Математическое описание модели kNN. Связь кластеризации с понижением размерности пространства объектов датасета (2 часа).
    Практическая часть: решение задачи кластеризации и понижения размерности данных (2 часа).
  5. Решение ml-задачи на текстовых данных
    Теоретическая часть: введение в NLP, обработка текстовых данных, векторные представления текста (2 часа).
    Практическая часть:
    решение задачи классификации на текстовом корпусе (2 часа).
  6. Использование моделей машинного обучения в production
    Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask (2 часа).
    Практическая часть: создание веб-сервиса на фреймворке Flask (2 часа).

Кто проводит курс

prepod-oleg-konorev.jpg
Преподаватель Школы Больших Данных

Конорев Олег

Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
  • Руководитель группы Data Science в НИИ “Квант”, Москва
  • Computer vision (CV) – решение задач по классификации и детектировании объектов на фото и видео, идентификации человека,  сегментации изображений и распознаванию текста с библиотеками OpenCV, Tensorflow API и архитектурами нейронных сетей  Yolo, SSD, fRCNN, U-net и пр.
  • Natural language processing (NLP– решение задач по классификации текстов, извлечению именованных сущностей (NER) и ключевых слов с библиотеками gensim, nltk, fasttext, spacy и др. Построение различных архитектур на основе искусственных нейронных сетей с использованием различных представлений слов (Embedding, Word2Vec) и готовых нейросетевых решений (Bert, fastai)
  • Time series analysis – решение задач обработки, анализа и классификации аудио сигналов с библиотеками librosa, ffmpeg и различных архитектур нейронных сетей, а также предсказание значений временных рядов (time series forecasting) в приложении к котировкам активов с использованием классических решений (ARMA, ARIMA) и моделей на базе сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (LSTM,GRU) и их комбинаций.
  • Проекты сегментации сигналов с различных датчиков и приборов и распознавания речи (speech-to-text) с облачными сервисами Yandex и Google.
prepod-ermilov-dmitrij-mihajlovich.jpg
Преподаватель Школы Больших Данных

Ермилов Дмитрий

Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
  • Ведущий Data Scientist в ФГУП “Центр информационных технологий”, Москва
  • Руководитель программ в Университете искусственного интеллекта, Москва.
  • Кандидат наук (2017 год, Московский государственный университет им. М.В. Ломоносова, Москва)
Если у Вас остались вопросы Вы можете позвонить к нам по телефону +7 (495) 414-11-21  или заполнить форму обратной связи на сайте.
Я даю свое согласие на обработку персональных данных и соглашаюсь с политикой конфиденциальности.

Поиск по сайту