Машинное обучение на Python

Курс проводится в течение 6 дней, 24 академических часа.

Практический Курс "Машинное обучение на Python" для специалистов по аналитике данных, разработчиков и руководителей, которые хотят освоить базовые понятия Machine Lerning. Соотношение теории к практике 50/50.

Курс "Машинное обучение на Python" является введением в тематику машинного обучения.
В курсе будет рассказано о месте машинного обучения в области искусственного интеллекта, изложены математические основы методов машинного обучения, сформулированы базовые задачи, которые могут быть решены с помощью методов машинного обучения. Большое внимание в курсе уделено практическому решению задач с использованием методов машинного обучения на языке Python. По окончанию курса вы овладеете основными навыками, необходимыми для решения базовых задач в области искусственного интеллекта.

Машинное обучение (Machine Learning) — это раздел искусственного интеллекта, изучающий математические, статистические и вычислительные методы для разработки алгоритмов, способных обучаться и решать задачи не прямым способом, а на основе поиска закономерностей в разнообразных входных данных.
Решение вычисляется не по точно заданной формуле, а по установленной зависимости результатов от конкретного набора признаков и их значений.

На практике машинное обучение широко применяется в широком спектре исследовательских и прикладных задач:

* прогнозирование событий и ситуационный анализ, например, отток клиентов в ритейле или заблаговременное предсказание поломок промышленного оборудования;
* распознавание образов (изображений, лиц, голоса и т.д.);
* классификация образцов, в частности, рентгеновских снимков для постановки диагноза;
* выявление мошеннических операций (антифрод-системы в банках и cybersecurity).

Как именно Machine Learning можно использовать для конкретных бизнес-кейсов, вы узнаете в рамках курса.

АУДИТОРИЯ:
----------------
Практический курс "Машинное обучение на Python" по основам Machine Learning предназначен для аналитиков, разработчиков программного обеспечения, руководителей и специалистов, которые хотят получить следующие знания и навыки:

** понять, что такое машинное обучение и искусственный интеллект;
** знать, как эффективно использовать инструменты Data Science в бизнесе;
** разобраться с математическими основами Machine Learning;
** освоить базовые методы машинного обучения;
** обрабатывать датасеты для подготовки к моделированию;
** строить собственные модели Machine Learning;
** интерпретировать результаты моделирования.

Предварительный уровень подготовки:
-----------------------------------------------
* Опыт программирования
* знания основ языка Python для анализа данных и решения задач машинного обучения.

1. Место машинного обучения в области искусственного интеллекта

Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета (2 часа).

Практическая часть: первичный анализ датасета, предобработка данных (2 часа).

2. Классификация, деревья, случайный лес

Теоретическая часть: определение и примеры задач классификации. Математическое описание модели решающего дерева в задачи бинарной классификации. Метрики бинарной классификации (2 часа) .

Практическая часть: решение задач бинарной и множественной классификаций (2 часа) .

3. Линейные модели для классификации и регрессии

Теоретическая часть: определение и примеры задач регрессии. Математическое описание модели линейной регрессии. Метрики задач регрессии. Способы регуляризации (2 часа) .

Практическая часть: решение задачи регрессии (2 часа) .

4. Кластеризация и снижение размерности

Теоретическая часть: определение и примеры задач кластеризации. Математическое описание модели kNN. Связь кластеризации с понижением размерности пространства объектов датасета (2 часа) .

Практическая часть: решение задачи кластеризации и понижения размерности данных (2 часа) .

5. Решение ml-задачи на текстовых данных

Теоретическая часть: введение в NLP, обработка текстовых данных, векторные представления текста (2 часа).

Практическая часть: решение задачи классификации на текстовом корпусе (2 часа) .

6. Использование моделей машинного обучения в production

Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask (2 часа) .

Практическая часть: создание веб-сервиса на фреймворке Flask (2 часа).

В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения