О курсе
В данном онлайн-курсе мы затронем три темы. Первая — решающие деревья и их композиции. Эти методы сильно отличаются от линейных, поскольку не являются дифференцируемыми и для их обучения нужны специальные подходы. В то же время композиции деревьев являются крайне мощными алгоритмами, которые широко используются при работе с табличными данными. Особенно подробно мы разберём градиентный бустинг — де-факто стандартный подход для решения сложных задач извлечения закономерностей из данных.
Вторая тема — обучение без учителя. Мы поговорим про методы кластеризации, визуализации и понижения размерности. Эти подходы позволяют находить закономерности в данных, даже если у нас нет правильных ответов.
Третья тема — рекомендательные системы. Мы обсудим, как уже известные методы можно применять для их построения, а также какая специфика в них возникает
Цели курса
01
Понять, как устроены все ключевые моменты в машинном обучении
02
Освоить сложные методы
03
Получить практический опыт подготовки данных, их визуализации, построения и анализа моделей
Вы научитесь
1. Python для анализа данных
2. Анализ данных
3. Машинное обучение
Программа обучения
Тема 1. Решающие деревья
Тема 2. Композиции: бэггинг, блендинг и стэкинг
Тема 3. Градиентный бустинг
Тема 4. Обучение без учителя
Тема 5. Рекомендательные системы
Тема 6. Финальный проект
Преподаватель
Базовая кафедра Яндекс: Старший преподаватель
Департамент больших данных и информационного поиска: Доцент
Аналитик данных: Авито
Разработчик машинного обучения: Яндекс
Старший разработчик: Яндекс
Разработчик машинного обучения: SberCloud
Документ об окончании
После успешного освоения материалов курса выдается сертификат установленного НИУ ВШЭ образца
Формат обучения
Лекции
Видеолекции
Промежуточный контроль
Тесты
Итоговый контроль
Финальный проект