Машинное обучение на Python, часть 2

Машинное обучение — это подраздел искусственного интеллекта (ИИ) и науки о данных, специализирующийся на использовании данных и алгоритмов для имитации процесса наработки опыта человеком с постепенным повышением точности.

На курсе слушатели продолжат знакомиться: с основными алгоритмами машинного обучения и их прикладного применения с использованием языка Python.

Описание курса

Целевая аудитория

Начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science.

Расписание открытых форматов курса

Дистанционный формат — 60 000 ₽.

Очный формат — 60 000 ₽.

Стоимость обучения одного слушателя

В результате освоения курса вы:

применять ансамблевое обучение и случайные леса;
применять метод главных компонент;
применять метод обучения на базе многообразий;
применять алгоритм кластеризации методом k-средних;
применять алгоритм смеси Гауссовых распределений;
применять алгоритм ядерной оценки плотности распределения.

что такое беггинг, бустинг, стекинг;
как использовать метод главных компонент;
как использовать кластеризацию методом k-средних, на примерах;
как применять алгоритм смеси Гауссовых распределений как метод оценки плотности распределения;
как использовать ядерную оценку плотности распределения на практике.

Научитесь

Узнаете

Основная информация

08 апреля 2024
29 июля 2024
25 ноября 2024

пн–чт 10:00–17:00

60 000 руб.

м. Аэропорт,
Ленинградский проспект 68/24

Верхотуров Марк Валерьевич
Беляев Александр Владимирович

Порядок записи на курс

Консультация

Выбор курса

Заключение договора

Оплата обучения.

Подробная программа курса

1 Алгоритм: Ансамблевое обучение и случайные леса

1.1 Классификаторы с голосованием

1.1.1 Беггинг и вставка
1.1.2 Беггинг и вставка в Scikit-Learn
1.1.3 Оценка на неиспользуемых образцах

1.2 Методы случайных участков и случайных подпространств
1.3 Случайные леса

1.3.1 Особо случайные леса
1.3.2 Значимость признаков

1.4 Бустинг
1.5 Стекинг
1.6 Разбор прикладной задачи: использование случайного леса для классификации цифр

2 Алгоритм: метод главных компонент

2.1 Знакомство с методом главных компонент
2.2 Использование метода PCA для фильтрации шума
2.3 Пример: метод Eigenfaces

3 Алгоритм: обучение на базе многообразий

3.1 Обучение на базе многообразий: HELLO
3.2 Многомерное масштабирование (MDS)
3.3 MDS как обучение на базе многообразий
3.4 Нелинейные вложения: там, где MDS не работает
3.5 Нелинейные многообразия: локально-линейное вложение
3.6 Применение методов обучения на базе многообразий
3.7 Разбор прикладной задачи: визуализация структуры цифр

4 Алгоритм: кластеризация методом k-средних

4.1 Знакомство с методом k-средних
4.2 Алгоритм k-средних: максимизация математического ожидания
4.3 Примеры использования кластеризация методом k-средних

5 Алгоритм: смеси Гауссовых распределений

5.1 Причины появления GMM: недостатки метода k-средних
5.2 Обобщение EM-модели: смеси Гауссовых распределений
5.3 GMM как метод оценки плотности распределения
5.4 Пример: использование метода GMM для генерации новых данных

6 Алгоритм: ядерная оценка плотности распределения

6.1 Обоснование метода KDE: гистограммы
6.2 Ядерная оценка плотности распределения на практике
6.3 Пример: KDE на сфере
6.4 Пример: не столь наивный байес

Возможные форматы обучения и размеры групп

очно (до 15 слушателей);
дистанционно в составе очной группы (без ограничения числа подключений);
корпоративный формат (для групп от 10 до 15 слушателей).

Документы об окончании

Удостоверение о повышении квалификации

Требуемый уровень предварительной подготовки

Опыт программирования на языке Python и знание основных библиотек Python для научных расчетов: Numpy, Pandas, Matplotlib. Понимание разделов математики: теория вероятности, статистика, математический анализ, линейная алгебра.

Руководитель IT проектов, Разработчик Python, Data Scientist, ML-engineer

Разработка на Python
Сбор и анализ данных
Преобразование "сырых" данных в полезную информацию для бизнеса
Создание и обучение предиктивных моделей с помощью алгоритмов машинного обучения и нейросетей
Помощь бизнесу в нахождении скрытых закономерностей, прогнозировании развития событий и оптимизации ключевых бизнес-процессов

Консалтинг
Коучинг

Специализация

Должность

Дополнительные услуги

Ведёт 13 курсов в ЦЕСИНКОМ

Разработчик информационных систем, системный аналитик, аналитик данных

Разработка на Python
Машинное обучение
Математическая оптимизация

Консалтинг

Специализация

Должность

Дополнительные услуги

Ведёт 19 курсов в ЦЕСИНКОМ

Разработка курса или траектории обучения под вашу задачу

Центр готов взять на себя разработку курсов и траекторий обучения под уже сформированную модель компетенций или просто под список знаний и навыков, которые нужно освоить специалистам организации.

Рекомендуемые курсы

Список курсов, которые дополняют данный курс

Список категорий каталога, в которые включён курс

Траектории, в которые входит данный курс

Список курсов, требующихся для прохождения данного курса

Программирование на Python, часть 1

Программирование на Python, часть 2

Программирование на Python, часть 3. Numpy для Data Science

Программирование на Python, часть 4. Pandas для Data Science. Высокопроизводительная обработка и анализ данных в Pandas

Математика для Data Science, часть 1. Теория вероятностей и статистика

Математика для Data Science, часть 2. Математический анализ и линейная алгебра

Машинное обучения на Python, часть 1