Программа

  • Введение в машинное обучение (Machine Learning, ML)

    8 ч.

    • Основная терминология, область применения и актуальность;

    • Типовые ML задачи;

    • Обучение с учителем: классы алгоритмов и разбор конкретных алгоритмов;

    • Обучение без учителя: классы алгоритмов и разбор конкретных алгоритмов;

    • Обучение с подкреплением: классы алгоритмов и разбор конкретных алгоритмов;

    • Повышение и понижение размерности

    • Демонстрация: создание модели (предсказание цены)

    • Data Science - процесс:

      • Поиск и источники данных;

      • Препроцессинг данных;

      • Дизайн признаков (feature engineering);

      • Выбор подходящего ML-алгоритма;

      • Тренировка модели.

    • Оценка результата:

      • Базовые метрики;

      • Агрегирующие метрики.

    • Обогащение данных:

      • Открытые источники;

      • Внутренние ресурсы.

    • Data science инструменты: основные языки программирования, ML-фреймворки и облачные сервисы

    • Практика: создание ML-модели с использованием облачного сервиса.

  • Введение в глубокое обучение (Deep Learning, DL)

    4 ч.

    • Основная терминология, область применения и актуальность;

    • Основы нейронных сетей. Персептрон;

    • Современные нейросетевые архитектуры;

    • Сверточные нейронные сети;

    • Рекуррентные нейронные сети;

    • Автоэнкодеры;

    • Data science инструменты: DL-фреймворки;

    • Практика/демонстрация:

      • Основы python;

      • Самостоятельная лабораторная работа (распознавание изображений с помощью нейронных сетей);

      • Обучение при распознавании изображений с помощью нейронных сетей.

  • Управление Data Science-процессом

    4 ч.

    • Постановка задач

    • Команда

    • Методологии (CRISP)

    • Интеграция в существующие процессы компании