​

Чему вы научитесь

• Задачи и процесс машинного обучения
• Данные для машинного обучения
• Особенности обучение моделей
• Экспорт и импорт результатов машинного обучения
• Метод максимального правдоподобия
• Линейная регрессия и регуляризация
• Среднеквадратичная ошибка и другие метрики
• Полиномиальная и нелинейная регрессия
• Логистическая регрессия

Требования

• Школьная математика
• Интерес к искусственному интеллекту и(ли) большим данным

Описание
Работа с большими данными и задачами искусственного интеллекта требует особого подхода - подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки.

Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную и логистическую регрессии.

Курс является вводным и подойдет широкому кругу слушателей: от руководителей до разработчиков.

Для кого этот курс:

• Руководители и менеджеры
• Разработчики больших систем
• Научные работники
• Директора по маркетингу и продажам

Спойлер: Материалы курса

Процесс машинного обучения
Задачи машинного обучения
Задачи машинного обучения
Модель и процесс машинного обучения
Процесс ETL
Процесс машинного обучения

Подготовка данных
EDA
Подготовка данных
Подготовка данных

Модель машинного обучения
Разбиение выборки
Оптимизация гиперпараметров
Недообучение и переобучение
Обучение модели
Использование HDF

Базовые методы и оценки
Метод максимального правдоподобия
Метод наименьших квадратов
Метод наименьших квадратов
Аппроксимация пропусков в данных
Аппроксимация данных
Среднеквадратичная ошибка
Метрики и расстояния
Метрики и расстояния

Линейные модели
Линейная регрессия и L1/L2-регуляризация
Линейная регрессия
BIC и AIC
Полиномиальная регрессия
Линеаризация регрессии
Нелинейная регрессия
Логистическая регрессия
Линейные модели