Чему вы научитесь
- Подробно познакомитесь с линейными моделями.
- Узнаете что такое градиентные алгоритмы и научитесь их применять для обучения линейных моделей.
- Изучите различные оптимизаторы градиентных алгоритмов.
- Познакомитесь с L1- и L2-регуляризаторами, как инструментом борьбы с эффектом переобучения моделей.
- Изучите байесовский подход к задачам машинного обучения.
- Научитесь применять наивный байесовский классификатор, гауссовский байесовский классификатор и линейный дискриминант Фишера.
- Познакомитесь с идеей метода опорных векторов (SVM) и его практическим применением для задач классификации образов.
- Узнаете о различных критериях качества оценивания эффективности работы обученных моделей.
- Познакомитесь с методом главных компонент и увидите, как с его помощью можно сокращать признаковое пространство и бороться с эффектом переобучения.
- Изучите метрические методы классификации и кластеризации данных (метод k ближайших соседей, DBSCAN и др.)
- Научитесь строить и применять решающие деревья для задач классификации и регрессии, а также их композиции в виде случайного леса.
- Познакомитесь с бустингом (boosting) алгоритмов и его развитием до градиентного бустинга.
- Совершите краткое знакомство с нейронными сетями и алгоритмом их обучения back propagation.
О курсе
Машинное обучение связано с разработкой алгоритмов, которые можно обучать (настраивать) под решение конкретных задач. Например, это камеры с возможностью распознавания лиц, различные переводчики с одного языка на другой, построение всевозможных прогнозов по предыдущим данным, генерация текстов, изображений, звуков, управление беспилотными аппаратами и многое другое. Алгоритмы машинного обучения окружают нас повсюду. А потому, важно правильно понимать эти программы, их возможности и ограничения.
В этом курсе вы познакомитесь с огромным разнообразием алгоритмов машинного обучения, включая простые, но эффективные, а также более сложные, которые способны решать далеко нетривиальные задачи.
Чтобы хорошо понимать материал данного курса, необходимы уверенные знания школьной математики, а также разделы высшей математики: линейная алгебра, дифференцирование матриц и векторов, теория вероятностей и математическая статистика (основы). Кроме этого, при реализации алгоритмов машинного обучения сейчас, в основном, применяется язык программирования Python. Если вы его не знаете, то лучше вначале изучить по следующей ссылке:
Добрый, добрый Python: https://stepik.org/course/100707/
Также желательно хорошо знать пакет NumPy для работы с векторами и матрицами:
Телеграм-канал: https://t.me/machine_learning_selfedu
Для кого этот курс
Для всех желающих окунуться в мир машинного обучения.
Начальные требования
Уверенные знания школьной математики, линейной алгебры, дифференцирование матриц и векторов, теории вероятностей и математической статистики (основы).
Знание языка программирования Python: https://stepik.org/course/100707/