Машинное обучение. Базовый уровень

Программа курса

Ознакомьтесь с программой курса «Машинное обучение. Базовый уровень» от Академия Информационных Систем - infosystems.ru

1. Модуль 1. Введение в машинное обучение и рабоча... - 8 часов. Что такое ML, типы задач, постановка задачи и критерий качества Датасет, признак, целевая переменная, обучение и обобщение Подготовка проекта в PyCharm, виртуальное окружение, pip, структура репози…
2. Модуль 2. Данные и базовый стек Data Science... - 8 часов. NumPy: массивы, формы, базовые операции, преобразования типов Pandas: DataFrame, индексация, фильтрация, агрегации, join и groupby Визуализация в matplotlib, проверка гипотез о данных через графики Чт…
3. Модуль 3. EDA и подготовка данных без утечек... - 8 часов. Исследовательский анализ данных: распределения, корреляции, целевая переменная Пропуски, выбросы, стратегии заполнения и отсечения Кодирование категорий: one-hot, ordinal, работа с редкими категориями…
4. Модуль 4. Регрессия, базовые модели и метрики... - 8 часов. Линейная регрессия и регуляризация: Ridge и Lasso Метрики MAE, MSE, RMSE, R2 и их интерпретация Сравнение моделей и базовая настройка гиперпараметров Сохранение модели и повторяемый расчет метрик.
5. Модуль 5. Классификация и деревья решений... - 8 часов. Логистическая регрессия, вероятности и пороги решений Метрики accuracy, precision, recall, F1, ROC-AUC kNN, Decision Tree, Random Forest как базовые сильные модели Матрица ошибок, выбор порога, интерпрет…
6. Модуль 6. Итоговый мини-проект на табличных дан... - 8 часов. Выбор задачи, формулировка цели и метрики Сборка полного пайплайна, обучение, оценка, оформление результатов Сохранение артефактов, краткий README и инструкция по запуску.
7. Итоговая аттестация... - 8 часов. Итоговая аттестация.

Чему вы научитесь

• Научитесь настраивать и организовывать: что такое ml, типы задач, постановка задачи и критерий качества датасет, признак, целевая переменная, обучение и обобщение подготовка проекта в pycharm, ви…
• Научитесь анализировать и применять: исследовательский анализ данных распределения, корреляции, целевая переменная пропуски, выбросы, стратегии заполнения и отсечения кодирование категорий one …
• Освоите и сможете применять: логистическая регрессия, вероятности и пороги решений метрики accuracy, precision, recall, f1, roc auc knn, decision tree, random forest как базовые сильные моде…
• Освоите и сможете применять: numpy массивы, формы, базовые операции, преобразования типов pandas dataframe, индексация, фильтрация, агрегации, join и groupby визуализация в matplotlib,…
• Разберётесь в теме: итоговая аттестация.