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»

1. 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).
2. 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).
3. 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).
4. 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).
5. 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).
6. 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).