Хотите научиться анализу данных и стать профессионалом? Присоединяйтесь к курсу от эксперта в области Big Data! Узнаете об основных способах машинного обучения и поработаете над реальными задачами — классифицируете музыкальные жанры и спрогнозируете отток пользователей.
- Introduction in the Deep Learning
Введение в нейронные сети.Виды слоёв в нейронных сетях.Свёрточные нейронные сети, автоэнкодеры.Нелинейные функции, функции потерь.Оптимизация нейронных сетей.История нейросетей и пример реализации кода.Пример применения: музыка.
- Рекомендательные системы
Рекомендации фильмов.Рекомендации товаров.Генерация негативных примеров.Онлайновая оценка качества.Истории из практики.
- Введение в Text Mining
Классификация текстов.Матричные разложения.Тематическое моделирование.Кластеризация текстов.Аннотирование.Анализ тональности текста.Распознавание именованных сущностей и машинный перевод.
- Рекомендательные системы
Рекомендации фильмов.Рекомендации товаров.Генерация негативных примеров.Онлайновая оценка качества.Истории из практики.
- Метрики качества. Работа с признаками, постановка задач
Accuracy, precision, recall.ROC-AUC.Метрики качества в задачах регрессии.Оптимизация метрик.Работа с признаками.Генерация признаков.Отбор признаков.Преобразование признаков.PCA: подробности.Пример: рекомендации товаров.
- Deep Learning for Data with Sequence Structure
Рекуррентные нейронные сети.LSTM.Embedding layer.Виды практических задач.Примеры из жизни.
- Введение
Вводные слова о машинном обучении.Простейшие примеры применения машинного обучения.Оценка качества алгоритма.Примеры из жизни.Задача классификации.Байесовский классификатор.Задачи кластеризации и регрессии.Наиболее часто используемые методы.Качество и признаки.Переобучение и недообучение.Инструменты.
- Case Study: прогнозирование оттока
Отток пользователей: введение.Метрики: оценивание процесса оттока.Применение прогнозирования оттока пользователей.Формализация постановки задачи и анализ пользовательских данных.Построение модели оттока.Несбалансированные выборки.Обучение модели, интерпретация результатов.Эксплуатация модели.
- Логистическая регрессия и SVM
Линейные модели, логистическая регрессия.Метод опорных векторов.Kernel trick.Двойственная задача в SVM.Подробнее о регуляризации и применение линейных моделей.Методы оптимизации в логистической регрессии и SVM. Часть 1.Методы оптимизации в логистической регрессии и SVM. Часть 2.Vowpal Wabbit.Линейные классификаторы Semi-supervised.Многоклассовая логистическая регрессия и SVM.Sklearn.linear_model.
- Логистическая регрессия и SVM
Линейные модели, логистическая регрессия.Метод опорных векторов.Kernel trick.Двойственная задача в SVM.Подробнее о регуляризации и применение линейных моделей.Методы оптимизации в логистической регрессии и SVM. Часть 1.Методы оптимизации в логистической регрессии и SVM. Часть 2.Vowpal Wabbit.Линейные классификаторы Semi-supervised.Многоклассовая логистическая регрессия и SVM.Sklearn.linear_model.
- Deep Learning for Data with Sequence Structure
Рекуррентные нейронные сети.LSTM.Embedding layer.Виды практических задач.Примеры из жизни.
- Кластеризация
Введение в кластеризацию.Разнообразие задач кластеризации.K-Means.EM-алгоритм.Агломеративная иерархическая кластеризация.Графы и методы на основе плотности точек.Выбор метода кластеризации.Оценка качества и рекомендации.
- Решающие деревья в задачах классификации и регрессии
Решающие деревья.Как строить решающие деревья.Ансамбли деревьев.Линейные модели.Пример: классификация музыки по жанрам.Решающие деревья: дополнительные темы.
- Построение ансамблей. Random Forest и Gradient Forest
Обзор методов построения композиций.Бустинг.Усреднение моделей.Леса решающих деревьев.Градиентный бустинг над деревьями.Сравнения композиций алгоритмов.Ансамбли деревьев: дополнительные темы.Смещение и разброс.Разброс усреднённой модели.XGBoost.
- Построение ансамблей. Random Forest и Gradient Forest
Обзор методов построения композиций.Бустинг.Усреднение моделей.Леса решающих деревьев.Градиентный бустинг над деревьями.Сравнения композиций алгоритмов.Ансамбли деревьев: дополнительные темы.Смещение и разброс.Разброс усреднённой модели.XGBoost.
- Введение
Вводные слова о машинном обучении.Простейшие примеры применения машинного обучения.Оценка качества алгоритма.Примеры из жизни.Задача классификации.Байесовский классификатор.Задачи кластеризации и регрессии.Наиболее часто используемые методы.Качество и признаки.Переобучение и недообучение.Инструменты.
- Метрики качества. Работа с признаками, постановка задач
Accuracy, precision, recall.ROC-AUC.Метрики качества в задачах регрессии.Оптимизация метрик.Работа с признаками.Генерация признаков.Отбор признаков.Преобразование признаков.PCA: подробности.Пример: рекомендации товаров.
- Case Study: прогнозирование оттока
Отток пользователей: введение.Метрики: оценивание процесса оттока.Применение прогнозирования оттока пользователей.Формализация постановки задачи и анализ пользовательских данных.Построение модели оттока.Несбалансированные выборки.Обучение модели, интерпретация результатов.Эксплуатация модели.
- Решающие деревья в задачах классификации и регрессии
Решающие деревья.Как строить решающие деревья.Ансамбли деревьев.Линейные модели.Пример: классификация музыки по жанрам.Решающие деревья: дополнительные темы.
- Кластеризация
Введение в кластеризацию.Разнообразие задач кластеризации.K-Means.EM-алгоритм.Агломеративная иерархическая кластеризация.Графы и методы на основе плотности точек.Выбор метода кластеризации.Оценка качества и рекомендации.
- Введение в Text Mining
Классификация текстов.Матричные разложения.Тематическое моделирование.Кластеризация текстов.Аннотирование.Анализ тональности текста.Распознавание именованных сущностей и машинный перевод.
- Прогнозирование временных рядов
Задача прогнозирования временного ряда.Компоненты временных рядов.Автокорреляция.Стационарность.Авторегрессия и скользящее среднее.Подбор параметров ARIMA.Построение прогнозов.Временные ряды: дополнительные темы.
- Introduction in the Deep Learning
Введение в нейронные сети.Виды слоёв в нейронных сетях.Свёрточные нейронные сети, автоэнкодеры.Нелинейные функции, функции потерь.Оптимизация нейронных сетей.История нейросетей и пример реализации кода.Пример применения: музыка.
- Прогнозирование временных рядов
Задача прогнозирования временного ряда.Компоненты временных рядов.Автокорреляция.Стационарность.Авторегрессия и скользящее среднее.Подбор параметров ARIMA.Построение прогнозов.Временные ряды: дополнительные темы.
-
Цена - 3 200 руб.
- Продолжительность курса составляет 72 часа
