Онлайн-курс, вебинар Machine Learning Pro + Deep Learning

Machine Learning vs Deep Learning - в чем разница? Как подобрать нужный алгоритм?
"Потрогаем руками" все алгоритмы и разберемся на практике - где нужны Нейронные сети, а где достаточно классических алгоритмов. Комплексный подход, организованный в бандле "Machine Learning Pro + Deep Learning", подойдет для тех, кто хочет прокачаться в программировании глубоких нейронных сетей и моделей машинного обучения. Прохождение курсов потребует базового знания языка Python. В процессе обучения вы освоите все классические алгоритмы Машинного обучения,от деревьев до рекомендательных систем, а также научитесь создавать различные нейронные сети. Вас ждут хакатоны и in class соревнования на kaggle.

Краткая программа курса «Machine Learning PRO»

Модуль 1.Введение в машинное обучение

• Знакомимся с основными задачами и методами machine learning , изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
• Решаем 50+ задач на закрепление темы

Модуль 2. Методы предобработки данных

• Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
• Решаем 60+ задач на закрепление темы

Модуль 3. Регрессия

• Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
• Решаем 40+ задач на закрепление темы

Модуль 4. Кластеризация

• Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
• Решаем 50+ задач на закрепление темы

Модуль 5. Tree-based алгоритмы: введение в деревья

• Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
• Решаем 40+ задач на закрепление темы

Модуль 6. Tree-based алгоритмы: ансамбли

• Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
• Решаем 40+ задач на закрепление темы
• Участвуем в соревновании на kaggle по обучению tree-based модели

Модуль 7. Оценка качества алгоритмов

• Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
• Оцениваем качество нескольких моделей ML
• Решаем 40+ задач на закрепление темы

Модуль 8. Временные ряды в машинном обучении

Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
Решаем 50+ задач на закрепление темы

Модуль 9. Рекомендательные системы

• Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
• Решаем 50+ задач на закрепление темы

Модуль 10. Финальный хакатон

• Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle

Программа курса «Deep Learning»

Модуль 1. Введение в искусственные нейронные сети

• Создаем нейронную сеть для распознавания рукописных цифр на языке Python

Модуль 2. Фреймворки для глубокого обучения (TensorFlow, Keras)

• Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras

Модуль 3. Сверточные нейронные сети

• Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети

Модуль 4. Оптимизация нейронной сети

• Улучшаем скорость и производительность сетей для кейса предыдущего модуля

Модуль 5. Transfer learning & Fine-tuning
Дообучение нейронной сети ImageNET для решения задачи классификации изображений

Модуль 6. Сегментация изображений

• Проектируем нейронную сеть для сегментации людей в датасете COCO

Модуль 7. Детектирование объектов

• Обучаем нейросеть решать задачу детекции на примере датасета с логотипами брендов

Модуль 8. Введение в NLP и Word Embeddings

• Создаем нейросеть для работы с естественным языком

Модуль 9. Рекуррентные нейронные сети

• Создаем чат-бота на базе рекуррентной нейросети

Модуль 10. Reinforcement Learning (обучение с подкреплением)

• Создаем агента для игры в Pong на основе DQN алгоритма

Модуль 11. What's next?

• Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений