Все курсы
![](https://python-school.ru/wp-content/uploads/2024/03/PYML.jpg)
Практический курс Машинное обучение: основы Machine Learning и Data Science
Код курса | Даты начала курса | Стоимость обучения | Длительность обучения | Формат обучения |
---|---|---|---|---|
PYML | 28 октября 2024 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:
- Опыт программирования
- Прохождение онлайн-курса FUNP «Основы языка Python для анализа данных и решения задач машинного обучения»
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 центре, вы получите сертификат о повышении квалификации установленного образца.
Программа курса "Машинное обучение на Python"
- 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). - 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). - 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). - 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). - 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). - 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
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.
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)