Машинно обучение - курс 39 240 рубли. от SkillFactory, обучение 12 седмици, дата 13 август 2023 г.

Въведение в машинното обучение
— Запознаваме се с основните задачи и методи на Machine Learning, изучаваме практически казуси и прилагаме основния алгоритъм за работа по ML проект
— Решаваме над 50 задачи, за да консолидираме темата

Методи за предварителна обработка на данни
— Изучаваме типове данни, учим се да почистваме и обогатяваме данни, използваме визуализация за предварителна обработка и овладяваме инженеринга на функции
— Решаваме над 60 задачи, за да консолидираме темата

Регресия
— Изучаваме типове данни, научаваме се да почистваме и обогатяваме данни, овладяваме линейна и логистична регресия, изучаваме границите на приложимост, аналитични изводи и регуляризация
— Регресионни модели за обучение
— Решаваме над 40 задачи, за да консолидираме темата

Клъстеризиране
— Усвояваме обучението без учител, практикуваме различните му методи, работим с текстове, използвайки ML
— Решаваме над 50 задачи, за да консолидираме темата

Алгоритми, базирани на дърво: въведение в дърветата
— Запознаване с дърветата на решенията и техните свойства, овладяване на дървета от библиотеката sklearn и използване на дървета за решаване на регресионен проблем
— Решаваме над 40 задачи, за да консолидираме темата

Дървообразни алгоритми: ансамбли
— Ние изучаваме характеристиките на дървесните ансамбли, практикуваме усилване, използваме ансамбъла за изграждане на логистична регресия
 — Решаваме над 40 задачи, за да консолидираме темата
 — Участваме в състезание на kaggle за обучение на модел, базиран на дърво

Оценка на качеството на алгоритмите
— Изучаваме принципите на разделяне на извадката, недостатъчно и свръхобучение, оценяваме модели, използвайки различни качествени показатели, научаваме се да визуализираме процеса на обучение
— Ние оценяваме качеството на няколко модела ML
— Решаваме над 40 задачи, за да консолидираме темата

Времеви редове в машинното обучение
— Запознаване с анализа на времеви редове в ML, овладяване на линейни модели и XGBoost, изучаване на принципите на кръстосано валидиране и избор на параметри
— Решаваме над 50 задачи, за да консолидираме темата

Системи за препоръчване
— Изучаваме методи за конструиране на препоръчителни системи, овладяваме алгоритъма SVD, оценяваме качеството на препоръките на обучения модел
— Решаваме над 50 задачи, за да консолидираме темата

Финален хакатон
— Прилагаме всички изследвани методи, за да получим максимална точност на моделните прогнози на kaggle