PYML: Введение в машинное обучение на Python

Практический курс Введение в машинное обучение: основы Machine Learning и Data Science

Ближайшая дата курса 08 – 10 июля
  26 – 28 октября
Стоимость обучения    36.000 рублей
Код курса    PYML

Регистрацияз-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”.

Программа курса

 

Кому нужны обучающие курсы по машинному обучению

Практический курс Введение в машинное обучение 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:

Регистрация

 

Как построен образовательный курс Введение в машинное обучение

Продолжительность: 3 дня, 24 академических часа.

Соотношение теории к практике 50/50

Курс Введение в машинное обучение представляет собой прикладные основы Machine Learning, включая всю необходимую теорию и практику по этой области искусственного интеллекта. В программе рассмотрено место машинного обучения в современной науке о данных (Data Science) и изложены математические основы методов Machine Learning. Приведены базовые задачи, которые могут быть решены с помощью методов машинного обучения: классификация, кластеризация, регрессионный анализ. Большое внимание уделено практическому решению задач с использованием методов машинного обучения на языке Python. 

На практике вы самостоятельно создадите, обработаете и проанализируете датасет, решив задачи регрессии, классификации и кластеризации, а также создадите собственный веб-сервис на базе модели машинного обучения. В результате освоения программы курса вы овладеете основными навыками Machine Learning, необходимыми для решения базовых задач в области искусственного интеллекта. 

Успешно окончив курс “Введение в машинное обучение” в нашем лицензированном учебном центревы получите сертификат о повышении квалификации установленного образца.

Программа курса Введение в машинное обучение

  1. Место машинного обучения в области искусственного интеллекта
    • Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета.
    • Практическая часть: первичный анализ датасета, предобработка данных.
  2. Задачи классификации: бинарная и множественная классификация
    • Теоретическая часть: определение и примеры задач классификации. Математическое описание модели решающего дерева в задачи бинарной классификации. Метрики бинарной классификации.
    • Практическая часть: решение задач бинарной и множественной классификаций.
  3. Задачи регрессии
    • Теоретическая часть: определение и примеры задач регрессии. Математическое описание модели линейной регрессии. Метрики задач регрессии. Способы регуляризации.
    • Практическая часть: решение задачи регрессии.
  4. Задача кластеризации
    • Теоретическая часть: определение и примеры задач кластеризации. Математическое описание модели kNN. Связь кластеризации с понижением размерности пространства объектов датасета.
    • Практическая часть: решение задачи кластеризации и понижения размерности данных.
  5. Использование моделей машинного обучения в production
    • Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask.
    • Практическая часть: создание веб-сервиса на фреймворке Flask.

РегистрацияСкачать программу курса «Введение в машинное обучение» в формате pdf