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 "Машинное обучение на Python, часть 1" 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.
Прослушав данный курс, Вы научитесь:
- 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
Узнаете:
- 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
Аудитория: начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science.
Предварительный уровень 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.
Курсы, рекомендуемые для предварительного прохождения:
- 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
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.
В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения.
Свободно распространяемое программное обеспечение популярно как среди частных лиц, так и среди организаций. Действительно, СПО позволяет серьезно экономить на приобретении лицензий для компаний, которые многократно тиражируют программное решение. Также благодаря тому, что СПО можно квалифицированно дорабатывать собственными силами под конкретные нужды организации, оно приобретает еще и дополнительную гибкость и удобство в использовании.
Открытое программное обеспечение — это программное обеспечение с открытым исходным кодом. Исходный код создаваемых программ открыт, то есть доступен для просмотра и изменения. Это позволяет использовать уже созданный код для создания новых версий программ, для исправления ошибок и, возможно, помочь в доработке открытой программы.
В конце обучения на курсах проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненные в процессе обучения.
Учебный центр "Интерфейс" оказывает консалтинговые услуги по построению моделей бизнес-процессов, проектированию информационных систем, разработке структуры баз данных и т.д.
- Нужна помощь в поиске курса?
Наша цель заключается в обеспечении подготовки специалистов, когда и где им это необходимо. Возможна корректировка программ курсов по желанию заказчиков! Мы расскажем Вам о том, что интересует именно Вас, а не только о том, что жестко зафиксировано в программе курса. Если вам нужен курс, который вы не видите на графике или у нас на сайте, или если Вы хотите пройти курс в другое время и в другом месте, пожалуйста, сообщите нам, по адресу mail@interface.ru или shopadmin@itshop.ru
- Поговорите со своим личным тренинг-менеджером!
Мы предоставляет Вам индивидуальное обслуживание. Если у вас есть потребность обсудить, все вопросы касательно обучения, свяжитесь, пожалуйста c нами по телефонам: +7 (495) 925-0049, + 7 (495) 229-0436. Или любым другим удобным для Вас средствами связи, которые Вы можете найти на сайтах www.interface.ru или www.itshop.ru
|