О курсе
В этом онлайн-курсе НИУ ВШЭ вы можете разобраться с принципами работы методов машинного обучения. Речь пойдёт об обучении с учителем — областью, которая изучена лучше всего и методы из которой наиболее часто используются на практике. Мы обсудим метрические и линейные методы, и на их примере разберём все ключевые концепции: обобщающую способность и переобучение, градиентные методы обучения, измерение качества модели и специализированные метрики качества, подготовку данных для моделей. Мы будем показывать, как это всё делается в Python с помощью его библиотек
Цели курса
01
Понять, как устроены все ключевые моменты в машинном обучении
02
Приобрести хороший практический опыт подготовки и визуализации данных
03
Развить навык построения и анализа моделей
Вы научитесь
1. Использовать библиотеки Pandas для работы с табличными данными
2. Понимать метод k ближайших соседей
3. Разбираться в моделях линейной регрессии и их ограничениях
4. Программировать градиентный спуск
Программа обучения
Тема 1. Основные понятия и задачи в машинном обучении
Тема 2. Метод k ближайших соседей
Тема 3. Линейная регрессия
Тема 4. Обучение моделей градиентными методами
Тема 5. Линейная классификация: общие принципы
Тема 6. Линейная классификация: методы
Преподаватели
Департамент больших данных и информационного поиска: Руководитель департамента
Разработчик машинного обучения: SberCloud
Аналитик данных: Авито
Старший разработчик: Яндекс
Разработчик машинного обучения: Яндекс
Документ об окончании
После успешного освоения материалов курса выдается сертификат установленного НИУ ВШЭ образца
Формат обучения
Лекции
Видеолекции
Промежуточный контроль
Практические задания и тесты в конце каждой темы