Прикладное машинное обучение на Python для аналитики и прогнозирования

О курсе

Python – один из самых популярных и востребованных языков программирования на сегодняшний день. Будучи высокоуровневым языком, он идеально подходит для разработки самостоятельных программ и сценариев и ориентирован на повышение производительности разработчика и читаемости кода. Синтаксис Python очень лаконичен, но в то же время его библиотеки включают большой объем полезных функций. Именно поэтому он отлично подходит для тех, кто только начинает свой профессиональный путь в программировании.
Что необходимо для того, чтобы освоить Python новичку? Компьютер и базовые знания английского.
Сегодня Python применяется в актуальной сфере анализа больших данных. Освоение этого языка программирования может стать первой ступенью на пути к освоению одной из самых востребованных профессий 21 века

Программа курса

1. Постановка задачи машинного обучения.

Основные понятия машинного обучения

Что такое Jupyter и Anaconda.

Основные структуры данных в Python

Методы оптимизации

Схема построения систем машинного обучения.

Необходимый инструментарий.

Обучение с учителем. (6 ак.ч.)

Приложения машинного обучения

Обучение на данных

Понятие нейронной сети.

Персептрон. Определение, реализация и обучение.

Основные понятия задачи классификации

Метод градиентного спуска.

Использование библиотека scikit-learn для машинного обучения.

Обучение персептрона.

Метод логистической регрессии.

Метод опорных векторов.

Метод k ближайших соседей.

Обучение с учителем. Задача регрессии

Аппроксимация, интерполяция, экстраполяция

Обучение с учителем.

Линейная регрессия.

Метод наименьших квадратов.

Метод градиентного спуска.

Основы нелинейной регрессии.

Обучение без учителя.

Особенности кластерного анализа

Метод k средних.

Алгоритмы кластеризации, и области применения

Основы глубокого обучения.

Основные понятия глубокого обучения

Области применения

Многослойная нейронная сеть.

Введение в глубокое обучение

Основные понятия глубокого обучения и области применения

Алгоритмы глубокого обучения нейронных сетей

Применение библиотек для обучения многослойных нейронных сетей. Аудиторная нагрузка в классе с преподавателем

Как вы будете учиться

Занятия

Занятия проводятся как очно в аудитории с непосредственным взаимодействием между преподавателем и слушателями. Для тех, кто не может присутствовать физически, предусмотрено участие через платформу MTS.link.

Процесс обучения

Занятия включают лекции, семинары и групповые проекты. Материалы подаются в виде презентаций, которые могут содержать графику, видео. Полученные знания закрепляются тестированиями и практическими заданиями, а затем вы получаете развернутую обратную связь от эксперта курса.

Сопровождение

Вы можете задавать вопросы преподавателю в режиме реального времени. Так же у каждой группы есть кураторы, которые всегда на связи и помогают решить организационные вопросы.

Академия

Курсы

Услуги

Библиотека

Контакты

О курсе

Программа курса

1. Постановка задачи машинного обучения.

Основные понятия машинного обучения

Что такое Jupyter и Anaconda.

Основные структуры данных в Python

Методы оптимизации

Схема построения систем машинного обучения.

Необходимый инструментарий.

Обучение с учителем. (6 ак.ч.)

Приложения машинного обучения

Обучение на данных

Понятие нейронной сети.

Персептрон. Определение, реализация и обучение.

Основные понятия задачи классификации

Метод градиентного спуска.

Использование библиотека scikit-learn для машинного обучения.

Обучение персептрона.

Метод логистической регрессии.

Метод опорных векторов.

Метод k ближайших соседей.

Обучение с учителем. Задача регрессии

Аппроксимация, интерполяция, экстраполяция

Обучение с учителем.

Линейная регрессия.

Метод наименьших квадратов.

Метод градиентного спуска.

Основы нелинейной регрессии.

Обучение без учителя.

Особенности кластерного анализа

Метод k средних.

Алгоритмы кластеризации, и области применения

Основы глубокого обучения.

Основные понятия глубокого обучения

Области применения

Многослойная нейронная сеть.

Введение в глубокое обучение

Основные понятия глубокого обучения и области применения

Алгоритмы глубокого обучения нейронных сетей

Применение библиотек для обучения многослойных нейронных сетей. Аудиторная нагрузка в классе с преподавателем

По окончании обучения выдается

Как вы будете учиться

Ваша заявка принята!

Ваша заявка принята!