DEV-PDA120. Методы машинного обучения

Этот курс является модулем программы профессиональной переподготовки Анализ данных на языке Python

Уровень сложности:

График обучения: 40 ак. часов, 10 занятий по 4 ак. часа

Аннотация

Курс охватывает ключевые темы машинного обучения: линейную, полиномиальную и логистическую регрессии, градиентный спуск, методы регуляризации. Рассматриваются алгоритмы классификации, включая наивный Байес, деревья решений, SVM и ансамбли моделей. Изучаются нейронные сети: сверточные, рекуррентные и трансформеры, а также методы кластеризации. Практические занятия включают работу с реальными датасетами, например, предсказание цен на недвижимость, классификацию изображений и анализ временных рядов. Завершается курс пет-проектом для закрепления навыков.

Знания и умения, полученные в результате обучения

В результате освоения программы обучающийся должен уметь:

Выбирать и настраивать модели (линейная/логистическая регрессия, SVM, k-NN, деревья решений).
Работать с ансамблевыми методами (Random Forest, Gradient Boosting, XGBoost/CatBoost).
Оценивать качество моделей с помощью метрик (accuracy, precision-recall, ROC-AUC, MSE).
Строить и обучать модели на базе CNN (для обработки изображений), RNN/LSTM (для временных рядов и текста), трансформеров.
Использовать предобученные модели (BERT, GPT, ResNet) и адаптировать их под свои задачи.
Применять методы регуляризации и оптимизации (Dropout, BatchNorm, Adam).

В результате освоения программы обучающийся приобретет следующие знания:

Фундаментальных концепций машинного обучения: обучение с учителем и без, ансамбли методов, нейросетевые архитектуры.
Математических основ ML: линейная алгебра, теория вероятностей, методы оптимизации (градиентный спуск, backpropagation).
Принципов работы и областей применения современных моделей.

Выбирать оптимальные алгоритмы под задачу и интерпретировать их результаты.

В результате освоения программы обучающийся приобретет практический опыт:

Навык реализации, обучения и валидации моделей (scikit-learn, TensorFlow/PyTorch).
Способность выбирать оптимальные алгоритмы под задачу и интерпретировать их результаты.

Преподаватели

Курсы, в освоении которых помогут приобретенные знания

Курсы связанных направлений

Модульные программы

DEV-PDA-MP2. Модульная программа «Анализ данных на языке Python»

Программы профессиональной переподготовки

Анализ данных на языке Python

Курс пока не поставлен в расписание.

Оставить заявку

Сегодня занятий по этому курсу нет.

Стоимость
для физических лиц

23 800 ₽

Расчёт стоимости с учётом возможных скидок

10%
21 400 ₽

15%
20 200 ₽

20%
19 000 ₽

Стоимость
для юридических лиц

29 800 ₽

Скидки предоставляются в зависимости от количества слушателей, суммы договора и других условий, оговариваемых с Заказчиком.

Расчёт стоимости с учётом возможных скидок представлен как справочная информация. Фактический размер скидки может несколько отличаться из-за округления значения суммы.

Внимательно ознакомьтесь с условиями действующих акций и скидок...

Базовые знания математики (линейная алгебра, математический анализ, теория вероятностей и статистика).

Опыт программирования на Python (знание библиотек: NumPy, Pandas, Matplotlib/Seaborn).

Понимание основ машинного обучения (желательно, но не обязательно — можно осваивать параллельно).

Умение работать с данными (очистка, визуализация, предобработка).

Курсы, обеспечивающие достаточный начальный уровень знаний

DEV-PDA100. Основы программирования на языке Python

Тема 1. Линейная регрессия

Практические занятия

Разбор датасета про московскую недвижимость.

Создание класса линейной регрессии.

Тема 2. Градиентный спуск, метрики для задач регрессии

Практические занятия

Исследование различных методов градиентного спуска

Тема 3. Полиномиальная регрессия, переобучение/недообучения моделей, L1 и L2 регрессии

Практические занятия

Исследование различных методов градиентного спуска

Тема 4. Логистическая регрессия, метрики для задач классификации, экспоненциальное семейство распределений, обобщенная линейная модель

Практические занятия

Выяснение является ли банковская банкнота подделкой

Тема 5. Теорема Байеса, наивный байесовский классификатор

Практические занятия

Классификация цветка Ириса

Тема 6. Дерево решений, машина опорных векторов

Практические занятия

Определение класса дохода клиента банка

Тема 7. Ансамбли (войтинг, бекинг, бустинг, стейкинг)

Практические занятия

Предсказание того, что студент продолжит обучение в ВУЗе

Тема 8. Сверточные нейронные сети

Практические занятия

Распознавание рукописных цифр

Тема 9. Рекуррентные нейронные сети

Практические занятия

Предсказание электропотребление домохозяйства

Тема 10. Трансформеры

Практические занятия

Построение собственной RAG системы

Тема 11. Методы кластеризации

Практические занятия

Кластеризация клиентов торговой сети

Тема 12. Аттестация

Предоставить пет-проджект

DEV-PDA120. Методы машинного обучения

Аннотация

Знания и умения, полученные в результате обучения

Преподаватели

Курсы, в освоении которых помогут приобретенные знания

Курсы связанных направлений

Модульные программы

Программы профессиональной переподготовки

Стоимостьдля физических лиц

Стоимостьдля юридических лиц

Курсы, обеспечивающие достаточный начальный уровень знаний

Стоимость
для физических лиц

Стоимость
для юридических лиц