Машинное обучение на Python, часть 1

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 познакомятся: с основным базовым понятием машинного обучения, библиотекой Scikit-Learn, основными алгоритмами машинного обучения и их прикладного применения с использованием языка Python. Предполагается, что слушатели почти ничего не знают о машинном обучении и цель курса предоставить концепции, инструменты и идеи, которые необходимы для реализации программ, способных обучаться на основе данных.

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:

определять категории машинного обучения;
работать с библиотекой Scikit-Learn;
проверять модель и подбирать гиперпараметры;
проектировать признаки данных для машинного обучения;
применять алгоритмы наивной байесовской классификации;
применять алгоритмы линейной регрессия;
применять метод опорных векторов;
работать с деревьями принятия решений.

что такое машинное обучение;
как представить данные в Scikit-Learn;
как выбрать оптимальную модель;
как определить категориальные признаки;
как проектировать признаки;
как использовать наивный байесовский классификатор;
как использовать линейную регрессию;
какие есть особенности метода опорных векторов;
как обучить и визуализировать дерево принятия решений.

Научитесь

Узнаете

Основная информация

01 апреля 2024
22 июля 2024
21 октября 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 Введение

1.1 Что такое машинное обучение.
1.2 Категории машинного обучения.
1.3 Качественные примеры прикладных задач машинного обучения.
1.4 Классификация: предсказание дискретных меток.

2 Знакомство с библиотекой Scikit-Learn

2.1 Представление данных в Scikit-Learn
2.2 API статистического оценивания библиотеки Scikit-Learn
2.3 Разбор прикладной задачи: анализ рукописных цифр

3 Гиперпараметры и проверка модели

3.1 Проверка модели
3.2 Выбор оптимальной модели
3.3 Кривые обучения
3.4 Разбор прикладной задачи: поиск по сетке

4 Проектирование признаков

4.1 Категориальные признаки.
4.2 Текстовые признаки.
4.3 Признаки для изображений
4.4 Производные признаки
4.5 Внесение отсутствующих данных.
4.6 Конвейеры признаков

5 Алгоритм: наивная байесовская классификация.

5.1 Байесовская классификация.
5.2 Гауссов наивный байесовский классификатор.
5.3 Полиномиальный наивный байесовский классификатор.
5.4 Использование наивного байесовского классификатора.

6 Алгоритм: линейная регрессия

6.1 Простая линейная регрессия.
6.2 Регрессия по комбинации базисных функций.
6.3 Регуляризация.
6.4 Разбор прикладной задачи: предсказание велосипедного трафика

7 Метод опорных векторов

7.1 Линейная классификация.
7.2 Нелинейная классификация.
7.3 Регрессия.
7.4 Особенности метода: цель, функции.
7.5 Разбор прикладной задачи: распознавание лиц.

8 Деревья принятия решений

8.1 Обучение и визуализация дерева принятия решений.
8.2 Выработка прогнозов.
8.3 Оценка вероятностей классов.
8.4 Алгоритм обучения и вычислительная сложность.
8.5 Гиперпараметры регуляризации.
8.6 Регрессия.
8.7 Неустойчивость.

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