Открыто

Курс Машинное обучение на Python [2020] [Дмитрий Ермилов] [Университет Искусственного Интеллекта]

Тема в разделе "Курсы по программированию", создана пользователем Toxich, 19 фев 2020.

Цена: 34900р.-95%
Взнос: 1670р.

Основной список: 23 участников

Резервный список: 11 участников

  1. 19 фев 2020
    #1
    Toxich
    Toxich ЧКЧлен клуба

    Складчина: Курс Машинное обучение на Python [2020] [Дмитрий Ермилов] [Университет Искусственного Интеллекта]

    Цели курса:
    1. Научиться решать задачи машинного обучения на Python
    - Вы освоите все основные темы машинного обучения и сможете применять эти методы в своей работе для решения текущего проекта или для трудоустройства в новую компанию и на новое направление
    2. Реализовать свой рабочий проект - многие проекты могут потребовать применения методов машинного обучения, если у вас есть подобный проект, вы сможете реализовать его за курс
    3. Получить сертификат, рекомендацию и создать портфолио проектов - после завершения курса вы получите весомый сертификат и рекомендацию, так же у вас будет портфолио из нескольких решённых вами практических задач.
    4. Решить 10 практических задач по машинному обучению - каждое занятие будет сопровождаться практикой - решением конкретной задачи из области машинного обучения.
    5. Получить практику на стажировке в Лаборатории Университета - в Лаборатории Университета искусственного интеллекта вы можете получить практический опыт применения машинного обучения в реальных проектах.

    1. Подготовка данных для построения модели и простейшие алгоритмы машинного обучения

    Темы занятия:​
    • Первичная обработка исходных данных. Основные недостатки исходных данных: «мусор», пропуски, выбросы;
    • Метод k-соседей (k- neighbors);
    • Обработка исходных данных DataSet Titanic и построение модели бинарной классификации.
    Задание: предсказание заберут или нет животное из питомника DataSet PetFinder (бинарная классификация)
    2. Метрики в задачах бинарной классификации, классификаторы Байеса

    Темы занятия:​
    • Метрики в задачах бинарной классификации. Полнота, точность, accuracy, ROC-AUC кривая, f-мера;
    • Классификаторы Байес;
    • Построение модели для DataSet Titanic, анализ качества моделей.
    Задание: оценка моделей бинарной классификации на примере DataSet PetFinder
    3. Линейные модели, задачи регрессии

    Темы занятия:​
    • Линейная регрессия, метод наименьших квадратов;
    • Задача регрессии и нормализация признаков;
    • Построение модели для DataSet Energy Star Score, анализ качества модели.
    Задание: определение цены дома (задача регрессии) Boston house prices dataset
    4. Метод опорных векторов (SVM), предсказание вероятности принадлежности к классу

    Темы занятия:​
    • Метод опорных векторов (SVM), наглядная демонстрация модели на примере DataSet Iris;
    • Наглядная демонстрация модели на примере DataSeta Iris;
    • Определение вероятности принадлежности классу на примере DataSet Titani.
    Задание: предсказание вероятности события заберут или нет животное из питомника DataSet PetFinder
    5. Решающие деревья, случайный лес, градиентный бустинг

    Темы занятия:​
    • Алгоритмы построения решающих деревьев ID3 и С4.5;
    • Случайный лес в задачах регрессии и классификации;
    • Градиентный бустинг;
    • Построение моделей на основе решающих деревьев на примере DataSet Titanic.
    Задание: построение классических моделей машинного обучения Boston house prices dataset, DataSet PetFinder, сравнение их качества
    6. Многоклассовая классификация, кластеризация

    Темы занятия:​
    • Алгоритмы кластеризации данных (метод k-соседей, иерархические методы, t-SNE);
    • Модели многоклассовой классификации, оценки их параметров на примере Wine Dataset Recognition.

    Задание: определение по рецепту (список ингредиентов) страну происхождения блюда (многоклассовая классификация) DataSet "What's cooking?"
    7. Решение задачи регрессии

    Темы занятия:​
    • Feature selection/ feature engineering;
    • Построение модели на примере DataSet House Price.
    Задание: feature selection и feature engineering в задаче предсказания цены дома Boston house prices dataset
    8. Решение NLP задачи

    Темы занятия:​
    • Регулярные выражения;
    • Способы численного представления текстовой информации;
    • Построение моделей на примере DataSet Imdb.
    Задание: определение жанра текста the 20 newsgroups text DataSet
    9. Решение маркетинговой задачи по оттоку клиентов

    Темы занятия:​
    • Статистический анализ признаков;
    • Построение модели на примере DataSet Telecom Churn.
    Задание: предсказание оттока клиентов компании DataSet Telecom Churn
    10. Решение задачи по построению рекомендательной системы

    Темы занятия:​
    • Подходы к построению рекомендательных систем;
    • SVD-разложение, векторные представления объектов;
    • Построение модели на примере MovieLens 20M DataSet.
    Задание: построение рекомендательной системы фильмов на примере MovieLens 20M DataSet.
    11. Решение задачи идентификации
    Темы занятия:​
    • Методы обработки изображений;
    • Построение модели на примере Fashion-MNIST.
    Задание: идентификация признаков по изображению лица The Olivetti faces dataset​

    Продажник
     
  2. Последние события

    1. Axelrod
      Axelrod не участвует.
      14 июн 2024
    2. Максимыч
      Максимыч не участвует.
      18 мар 2024
    3. blackfish
      blackfish не участвует.
      5 янв 2024
    4. skladchik.com
      В складчине участвует 30 человек(а).
      13 дек 2023