Strojno učenje: osnovni alati i prakse - tečaj 51 590 RUB. iz netologije, obuka 10 mjeseci, Datum 30.11.2023.
Miscelanea / / December 02, 2023
Na primjerima proučite osnovne algoritme i saznajte u kojim slučajevima ih koristiti
Naučite usporediti algoritme na gotovim skupovima podataka i identificirati metode za poboljšanje kvalitete
Izgradnja modela
Saznajte što je biblioteka Sklearn i kako je koristiti. Naučiti algoritme klasteriranja i biti u stanju izgraditi skupove modela. Naučite procijeniti modele i raditi s overfittingom. Naučit ćete kako koristiti GridSearch i RandomizedSearch, Model Specific CV, Out of Bag pristup.
• Sklearn knjižnica
• Klasifikacijski algoritmi: linearne metode, logistička regresija i SVM
• Klasifikacijski algoritmi: stabla odlučivanja
• Regresijski algoritmi: linearni i polinomni
• Algoritmi klasteriranja
• Ansambl
• Procjena točnosti modela, prekvalifikacija, regularizacija
• Poboljšanje kvalitete modela
• Organizacija projekta, izrada istraživačkih izvješća
• Laboratorijski rad
• Isporuka međuprojekta
Rad s kupcem
Naučit ćete planirati razvoj projekata znanosti o podacima, kao i kompetentno informirati klijente o rezultatima istraživanja.
• Organizacija projekta
• Izrada istraživačkih izvješća
Preporučni sustavi
U ovom i sljedećim blokovima primijenit ćete stečena znanja u različitim područjima strojnog učenja. Tijekom ovog bloka naučite kako izgraditi personalizirane i nepersonalizirane sustave preporuka i kako ih kombinirati.
• Uvod i klasifikacija sustava preporuka
• Preporuke temeljene na sadržaju
•Kolaborativno filtriranje
• Nepersonalizirani sustavi preporuka
• Hibridni algoritmi
Računalni vid
Savladat ćete osnovne tehnike računalnog vida: izdvajanje značajki, pretraživanje slike, segmentaciju, detekciju objekata, a također ćete naučiti kako izgraditi neuronske mreže.
• Pretraživanje po slikama
• Segmentacija slike, detekcija objekata
• Primjena ultrapreciznih neuronskih mreža za zadatke segmentacije i detekcije
• Primjena rekurentnih mreža u problemima obrade slike
• Generativne kontradiktorne mreže (GAN)
Obrada prirodnog jezika (NLP)
Savladat ćete morfološku i sintaktičku analizu, distribucijsku semantiku i pronalaženje informacija, naučiti smanjiti dimenzionalnost u vektorskom modelu, klasificirati, izvući informacije i generirati tekstovi.
• Morfološka i sintaktička analiza
• Metode smanjenja dimenzionalnosti u vektorskom modelu. Pretraživanje informacija
• Tematsko modeliranje (LSA, LDA, HDP)
• Distributivna semantika (word2vec, GloVe, AdaGram)
• Prebrojivi jezični modeli i probabilistički jezični modeli. LSTM. Strojno prevođenje
• Generiranje teksta (generiranje prirodnog jezika)
• Problem klasifikacije u AOT-u
Vremenske serije
U ovoj intenzivnoj jedinici naučit ćete identificirati podrijetlo i strukturu vremenske serije, predvidjeti buduće vrijednosti za učinkovito donošenje odluka pri izgradnji modela strojnog učenja. Shvatit ćete što je "ispod haube" popularnih metoda i biblioteka.
• Algoritmi za obradu vremenskih serija
• ARIMA i GARCH modeli
• Markovljevi slučajni procesi
Završni hackathon
Završimo obuku natječući se s kolegama na tečaju: kao dio mini tima na ograničeno vrijeme i na temelju skupova podataka glavnih igrača tržištu, morat ćete riješiti probleme predviđanja prodaje ili optimizacije proizvodnje, koristeći sva znanja i vještine stečene u tečaj. Integracija i korištenje rješenja za strojno učenje u poslovanju u pravilu uključuje timsku igru, pa je hackathon koristan i kao trening potrebnih soft vještina.
Diplomski rad
Kao dio svog diplomskog projekta izgradit ćete ML model za rješavanje svojih trenutnih profesionalnih problema: to bi mogao biti sustav predviđanje prodaje, prepoznavanje predmeta na fotografijama ili videu, analiza vremenskih nizova, analiza velikih količina teksta itd. d. Ako u ovom trenutku nemate ideje za svoj projekt (ili pristup potrebnim podacima), ponudit ćemo vam studiju slučaja u području koje vas zanima na temelju stvarnog skupa podataka drugih tvrtki. Diplomski rad se izrađuje samostalno pod vodstvom stručnjaka kolegija i omogućuje vam konsolidaciju cijelog niza znanja i vještina stečenih u programu.