EAS-020 Основы машинного обучения

Основы машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Курс дает представление об основных группах методов машинного обучения и их применении для решения задач анализа текстов, прогнозирования цены и выдачи рекомендаций. В практической части курса участники будут работать с признаками, перебирать параметры моделей и строить ансамбли, используя язык Python.

• Что такое машинное обучение.
• Виды моделей машинного обучения.
• Этапы машинного обучения.
• Типовые задачи.
• Компоненты решений задач.
• NumPy, Pandas, SciPy, Matplotlib, Scikit-learn, Tensorflow.
• Оценка моделей.
• Функции потерь.
• Виды метрик.
• Разбиение на выборки: обучающую, тестовую, проверочную.
• Линейная регрессия.
• Логистическая регрессия.
• Оптимизация: градиентный спуск.
• Деревья решений.
• Ансамбли: бустинг, бэггинг (случайный лес).
• Разновидности методов.
• Оценка качества кластеризации.
• K-means.
• DBSCAN.
• Зачем снижать размерность.
• Методы отбора признаков.
• Методы конструирования признаков.
• Выявление аномалий.
• Нейросетевой подход в машинном обучении.
• Популярные типы задач, решаемые нейронными сетями.
• Устройство нейронных сетей.