ML Практикум: от теории к промышленному использованию

Программа курса

Ознакомьтесь с программой курса «ML Практикум: от теории к промышленному использованию» от Школа Больших Данных - bigdataschool.ru

1. Задачи машинного обучения и основные подходы к их решению - 4 часа. Основные понятия
2. классификация задач, решаемых с помощью методов машинного обучения
3. виды данных, понятие датасета.
4. Базовые методы решения задач классификации и регрессии - 4 часа. Определение и примеры задач классификации и регрессии. Линейные методы. Деревья решений. Проблема переобучения. Основные проблемы с данными.
5. Продвинутые методы решения задач классификации и регрессии - 4 часа. Стэкинг, бэггинг. Градиентные бустинги на примере LightGBM, xgboost, catboost. GridSearch для подбора гиперпараметров. AutoML.
6. Продвинутые методы обработки данных и работа с признаковым пространством - 4 часа. Тематика обучения без учителя - кластеризация, понижение размерности. Визуализация и формирование гипотез о данных. Feature Engineering и Feature extraction.
7. Нейронные сети для решения задач машинного обучения - 4 часа. Нейронные сети, задачи CV, NLP. Предобученные сети, файнтюнинг.
8. Практическое руководство по реализации моделей машинного обучения - 4 часа. Сохранение результатов экспериментов и версионирование моделей и датасетов. Воспроизводимость экспериментов. Форматы сериализации моделей и пути продуктивизации: функциональная обертк…
9. middle - 1 час. Дистанционный.

Чему вы научитесь

• Освоите и сможете применять: определение и примеры задач классификации и регрессии. линейные методы. деревья решений. проблема переобучения. основные проблемы с данными.
• Освоите и сможете применять: стэкинг, бэггинг. градиентные бустинги на примере lightgbm, xgboost, catboost. gridsearch для подбора гиперпараметров. automl.
• Освоите и сможете применять: кластеризация, понижение размерности. визуализация и формирование гипотез о данных. feature engineerin…
• Освоите и сможете применять: нейронные сети, задачи cv, nlp. предобученные сети, файнтюнинг.
• Разберётесь в теме: тематика обучения без учителя.