Machine Learning. Введение в регрессионный анализ [2021] [robot dreams] [Тарас Кучеренко]

Machine Learning. Введение в регрессионный анализ [2021]
robot dreams
Тарас Кучеренко

Трехнедельный практикум о прогнозировании с применением разных методов ML. Скролльте ниже, чтобы узнать, о каких методах речь и в каком формате проходит практикум.

Спойлер: Описание курса

Один из самых популярных запросов в сфере машинного обучения — прогнозирование. Существуют три классических метода решения этой задачи: регрессии, k-ближайшие соседи и нейронные сети.

Чтобы научить вас использованию этих методов, существует данный практикум. В течение суммарно 7,5 часов на занятиях и ~15 часов самостоятельной практики вы сможете изучить эти методы на практике, научиться оценивать релевантность каждого для конкретной задачи и внедрить их в свою работу.

Спойлер: Для кого этот курс

1. Разработчик
2. Аналитик данных
3. Студент технической специальности

Спойлер: После курса вы научитесь

1. Понимать, как решить задачу по прогнозированию тремя методами: с помощью регрессий, k-ближайших соседей и нейросетей.
2. Сможете определять, какой метод более релевантен для вашей конкретной задачи, и как применять каждый из методов в реальной работе.

Спойлер: Содержание

Модуль 1 - Машинное обучение: вступление

• Изучите основы ML, обучающие и тестовые выборки, основные принципы и сферы применения линейной и полиномиальной регрессии.

Модуль 2 - Прогнозирование с помощью линейной и полиномиальной регрессии

• Изучите, как применять линейную и полиномиальную регрессию для прогнозирования.
• Решите задачу прогнозирования с помощью полиномиальной регрессии для предоставленного датасета.
• Зачем: научиться строить регрессии для прогнозирования.

Модуль 3 - Прогнозирование с помощью метода k-ближайших соседей

• Изучите основные принципы, сферы применения, преимущества и недостатки метода k-ближайших соседей.
• Сравните метод с полиномиальной регрессией.
• Решите задачу по прогнозированию для предоставленного датасета с помощью этого метода.
• Зачем: применять метод k-ближайших соседей для прогнозирования, а также оценивать качество метода.

Модуль 4 - Нейронные сети: вступление

• Изучите ключевые понятия и принцип работы нейронных сетей.
• Ознакомьтесь с принципом работы deep learning.

Модуль 5 - Прогнозирование с помощью нейронных сетей

• Изучите явления overfitting and underfitting.
• Определите ситуации, в которых корректнее использовать метод ML или DL.
• Начните применять нейронную сеть для представленного датасета.
• Сравните все три изученных метода.
• Зачем: научиться применять разные нейронные сети для конкретных задач.

Примечание: на момент создания темы актуальная цена не известна.

Продажник