Сложность
Сложность
Продвинутый
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
С проверкой домашнего задания
Трудоустройство
Трудоустройство
Отсутствует
Сертификат
Сертификат
Да

Стоимость курса

41 900 ₽
нет рассрочки
Курс построен вокруг нескольких практических кейсов, содержащих таблицы с исходными данными.
По каждому кейсу проходим полный жизненный цикл проекта машинного обучения:
исследование, очистка и подготовка данных,
выбор метода обучения, соответствующего задаче (линейная регрессия для регрессии, случайный лес для классификации, К-средние и DBSCAN для кластеризации),
обучение с использованием выбранного метода,
оценка результата,
оптимизация модели,
представление результата заказчику.
На дискуссионной части курса обсуждаем стоящие перед слушателями практические задачи, которые можно решить рассмотренными методами.

Что вы получите после обучения

Приобретаемые навыки
1
Оптимизация
Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Специалист в области машинного обучения
более 7 лет работает с машинным обучением, из них 3 года в коммерческой разработке нейронных сетей для компьютерного зрения.

Проектировала модели для:

  • работы сельскохозяйственных дронов
  • систем распознавания в розничной торговле
  • считывания адресов на почтовых конвертах
  • распознавания опухолей на рентгеновских снимках
Преподаватель в МГТУ им. Баумана

Образовательная организация

Оценка и обучение ИТ-специалистов по ключевым направлениям разработки программного обеспечения. Курсы от экспертов-практиков по языкам программирования, системному и бизнес-анализу, архитектуре ПО, ручному и автоматизированному тестированию ПО, Big Data и машинному обучению, управлению проектами и Agile. Действует скидка 10% на обучение физических лиц.

Программа курса

Разбираемые темы:
1. Обзор задачи (теория – 1 час)
Какие задачи хорошо решаются машинным обучением, а какие им пытаются решать.
Что произойдёт, если вместо Data Scientist взять неспециалиста в данной области (просто разработчика/аналитика/менеджера) с ожиданием, что в процессе научится.
2. Подготовка, очистка, исследование данных (теория – 1 ч, практика – 1 ч)
Как разобраться в исходных бизнес-данных (и вообще обнаружить в них какой бы то ни было порядок).
Последовательность обработки.
Что можно и нужно переложить на аналитиков предметной области, а что лучше сделать самому Data Scientist.
Приоритеты решения конкретной задачи.
3. Классификаторы и Регрессоры (теория – 2 ч, практика – 2 ч)
Практический раздел - хорошо формализованные задачи с подготовленными данными.
Разница между задачами (бинарная/небинарная/вероятностная классификация, регрессии), перераспределение задач между классами.
Примеры классификации практических задач.
4. Кластеризация (теория – 1 ч, практика – 2 ч)
Где и как проводить кластеризацию: исследование данных, проверка постановки задачи, проверки результатов.
Какие случаи можно свести к кластеризации.
5. Оценка моделей (теория – 1 ч, практика – 1 ч)
Бизнес-метрики и технические метрики.
Метрики для задач классификации и регрессии, матрица ошибок.
Внутренние и внешние метрики качества кластеризации.
Кросс-валидация.
Оценка переобучения.
6. Оптимизация (теория – 5 ч, практика – 3 ч)
Что делает одну модель лучше другой: параметры, признаки, ансамбли.
Управление параметрами.
Практика выбора признаков.
Обзор инструментария для поиска лучших параметров, признаков и методов.
7. Графики, отчеты, работа с живыми задачами (теория – 2 ч, практика – 2 ч)
Как доступно объяснить происходящее: себе, команде, клиенту.
Более красивые ответы на бессмысленные вопросы.
Как презентовать три терабайта результатов на одном слайде.
Полуавтоматические тесты, какие точки контроля процесса действительно нужны.
От живых задач к полному R&D процессу («НИОКР на практике») – разбор и анализ задач от аудитории.

Рейтинг курса

4.2
рейтинг
0
0
0
0
0

Может быть интересно

обновлено 17.03.2024 00:05
Машинное обучение на практике

Машинное обучение на практике

Оставить отзыв
Поделиться курсом с друзьями