Чему вы научитесь
- Задачи и процесс машинного обучения
- Данные для машинного обучения
- Особенности обучение моделей
- Экспорт и импорт результатов машинного обучения
- Метод максимального правдоподобия
- Линейная регрессия и регуляризация
- Среднеквадратичная ошибка и другие метрики
- Полиномиальная и нелинейная регрессия
- Логистическая регрессия
Требования
- Школьная математика
- Интерес к искусственному интеллекту и(ли) большим данным
Описание
Работа с большими данными и задачами искусственного интеллекта требует особого подхода - подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки.
Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную и логистическую регрессии.
Курс является вводным и подойдет широкому кругу слушателей: от руководителей до разработчиков.
Для кого этот курс:
- Руководители и менеджеры
- Разработчики больших систем
- Научные работники
- Директора по маркетингу и продажам
Материалы курса
Процесс машинного обучения
- Задачи машинного обучения
- Задачи машинного обучения
- Модель и процесс машинного обучения
- Процесс ETL
- Процесс машинного обучения
Подготовка данных
- EDA
- Подготовка данных
- Подготовка данных
Модель машинного обучения
- Разбиение выборки
- Оптимизация гиперпараметров
- Недообучение и переобучение
- Обучение модели
- Использование HDF
Базовые методы и оценки
- Метод максимального правдоподобия
- Метод наименьших квадратов
- Метод наименьших квадратов
- Аппроксимация пропусков в данных
- Аппроксимация данных
- Среднеквадратичная ошибка
- Метрики и расстояния
- Метрики и расстояния
Линейные модели
- Линейная регрессия и L1/L2-регуляризация
- Линейная регрессия
- BIC и AIC
- Полиномиальная регрессия
- Линеаризация регрессии
- Нелинейная регрессия
- Логистическая регрессия
- Линейные модели
