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

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.

Спойлер: Содержание

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