Machine Learning и Deep Learning

О курсе по машинному обучению и нейросетям

Этот курс идеально подходит тем, кто хочет углубить знания в области Machine Learning и Deep Learning, независимо от исходного уровня подготовки. Здесь вы получите системные знания и практические навыки, которые помогут эффективно решать реальные задачи с использованием современных технологий и алгоритмов.

Для кого создана программа

• Начинающим специалистам, уже владеющим Python и имеющим базовые представления по математике и статистике. Вы сможете структурировать и расширить свои знания, получить опыт работы с профессионалами и освоить практические аспекты машинного обучения.
• Программистам, сталкивающимся с необходимостью создавать и обучать нейронные сети. На курсе вы освоите ключевые алгоритмы ML, построите рекомендательную систему и реализуете несколько нейросетевых моделей.
• Аналитикам, владеющим Python и работающим с большими массивами данных, которые хотят погрузиться в глубинное обучение и машинное обучение. В рамках курса вы познакомитесь с методами подготовки данных и разработаете чат-бота на основе нейросети.

Что вы освоите

• Программирование на Python для анализа и обработки данных;
• Извлечение информации из различных источников: баз данных, файловых систем и веб-ресурсов;
• Работу с алгоритмами машинного обучения для решения прикладных задач.

Чему вы научитесь к середине обучения

• Создавать модели для оценки кредитного рейтинга;
• Разрабатывать системы рекомендаций для персонализированного подбора товаров;
• Проектировать модели, способствующие увеличению продаж в ритейле.

Структура курса «Machine Learning PRO»

Весь процесс обучения проходит под контролем опытных наставников, которые помогут в освоении материала.

• Введение в машинное обучение — знакомство с основными задачами, методами и практическими примерами, закрепление знаний через 50+ практических упражнений;
• Обработка данных — изучение типов данных, очистка, обогащение, визуализация и создание новых признаков с выполнением 60+ практических заданий;
• Регрессионный анализ — освоение линейной и логистической регрессии, регуляризации и аналитических выводов с 40+ практическими задачами;
• Кластеризация — изучение обучения без учителя, разнообразных методов кластеризации и обработка текстовых данных с выполнением 50+ заданий;
• Деревья решений — введение в методы на основе деревьев, работа с библиотекой sklearn и применение к регрессии, 40+ практических упражнений;
• Ансамбли деревьев — изучение бустинга и других ансамблевых методов, построение моделей с 40+ задачами;
• Оценка эффективности моделей — разбор метрик, предотвращение переобучения, визуализация обучения, 40+ практических упражнений;
• Временные ряды — анализ последовательностей во времени, применение линейных моделей и XGBoost, техники кросс-валидации, 50+ задач;
• Рекомендательные системы — разработка методов рекомендаций, обучение SVD-модели и оценка качества с 50+ практическими упражнениями;
• Финальный хакатон — комплексное применение знаний для достижения максимальной точности на соревновании Kaggle.

Программа по глубокому обучению (Deep Learning)

• Основы нейронных сетей — создание сети для распознавания рукописных цифр;
• Фреймворки TensorFlow и Keras — разработка модели для классификации изображений FashionMNIST;
• Сверточные сети — распознавание изображений CIFAR-10;
• Оптимизация моделей — улучшение производительности нейросетей;
• Transfer Learning и Fine-tuning — дообучение сетей на ImageNET для задач классификации;
• Сегментация изображений — проектирование нейросетей для выделения объектов;
• Детектирование объектов — обучение нейросети для распознавания логотипов;
• Обработка естественного языка — создание нейросетей для NLP и построение чат-ботов на рекуррентных сетях;
• Обучение с подкреплением — разработка агента для игры Pong с использованием DQN;
• Дополнительные направления — знакомство с GAN и другими современными методами генерации изображений.