Машинное обучение

Этот курс разработан для того, чтобы дать вам не только теоретическую базу, но и практические навыки, которые вы сможете применить в реальных проектах. Мы начнём с основ, чтобы заложить фундамент, а затем перейдём к более сложным темам.
В курсе мы будем подходить к изучению машинного обучения с более математической точки зрения, во-первых, потому что есть устойчивое представление, что искусственный интеллект, это некий «черная ящик», но на самом деле это не так, и в действительности все основано на четких математических принципах. А во-вторых, машинное обучение тесно связано со статистикой, теорией вероятностей и оптимизацией, с которыми вы, возможно, уже знакомы. Просто в машинном обучении эти методы немного адаптируются для решения конкретных прикладных задач.

Курс состоит из четырех модулей:

• Модуль 1 - основы машинного обучения, история развития и базовые понятия.
• Модуль 2 - линейная регрессия.
• Модуль 3 - методы градиентного спуска
• Модуль 4 - задачи классификации в машинном обучении.

В рамках курса рассматриваются темы, такие как:

• Основы машинного обучения: типы обучения (обучение с учителем, без учителя, с подкреплением), ключевые этапы построения моделей.
• Методы предобработки данных: очистка, нормализация, уменьшение размерности.
• Классические алгоритмы: линейная и логистическая регрессия, деревья решений, метод опорных векторов (SVM), ансамблевые методы (Random Forest, градиентный бустинг).
• Оценка и улучшение моделей: метрики качества, кросс-валидация, гиперпараметрическая оптимизация.
• Практическое применение: работа с реальными данными, создание прогнозных моделей и их внедрение в производство.