EAS-020 Основы машинного обучения

Этот тренинг дает представление об основных группах методов машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Участники узнают, как решать распространенные задачи анализа текстов, прогнозирования цены, выдачи рекомендаций и другие. В практических заданиях много времени уделяется работе с признаками, перебору параметров моделей и построению ансамблей.

Модуль 1

• Что такое машинное обучение  
• Виды моделей машинного обучения
  
• Этапы машинного обучения 
  
• Типовые задачи 
  
• Компоненты решений задач 
  

Модуль 2

• NumPy, Pandas, SciPy, Matplotlib, Scikit-learn, Tensorflow
  

Модуль 3

• Оценка моделей 
• Функции потерь 
  
• Виды метрик 
  
• Разбиение на выборки: обучающую, тестовую, проверочную 
  

Модуль 4

• Линейная регрессия 
• Логистическая регрессия
• Оптимизация: градиентный спуск 
  

Модуль 5

• Деревья решений 
• Ансамбли: бустинг, бэггинг (случайный лес) 
  

Модуль 6

• Разновидности методов 
• Оценка качества кластеризации 
  
• K-means 
  
• DBSCAN 
  

Модуль 7

• Зачем снижать размерность 
• Методы отбора признаков 
  
• Методы конструирования признаков 
  
• Выявление аномалий 
  

Модуль 9

• Нейросетевой подход в машинном обучении 
• Популярные типы задач, решаемые нейронными сетями 
  
• Устройство нейронных сетей