Машинное обучение

Цель программы – ознакомить слушателей с основами машинного обучения.

По результатам программы слушатели будут обладать:

  • Знанием принципов машинного обучения

  • Способностью проводить самостоятельный подбор классификаторов под конкретную задачу.

  • Знанием механизмов линейной и логистической регрессий.

  • Знанием методов машинного обучения без учителя.   

  • Способностью разработать собственную модель машинного обучения под конкретную прикладную задачу.  

 

План обучения:

Раздел 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. 

  • Логические методы: классификация объектов на основе простых правил. Интерпретация и реализация. Объединение в композицию. Решающие деревья. Случайный лес.

Раздел 2.  Метрические методы классификации. Линейные методы, стохастический градиент. 

  • Метрические методы. Классификация на основе сходства. Расстояние между объектами. Метрика. Метод k ближайших соседей. Обобщение на задачи регрессии с помощью ядерного сглаживания. Линейные модели. Масштабируемость. Применимость к большим данным Метод стохастического градиента. Применимость  для настойки линейных классификаторов. Понятие регуляризации. Особенности работы с линейными методами. Метрики качества классификации.

Раздел 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации.

  • Линейные модели. Масштабируемость. Применимость к большим данным Метод стохастического градиента. Применимость  для настойки линейных классификаторов. Понятие регуляризации. Особенности работы с линейными методами.

Раздел 4. Линейная регрессия. Понижение размерности, метод главных компонент.

  • Линейные модели для регрессии. Их связь с сингулярным разложением матрицы "объекты-признаки". Уменьшении количества признаков. Подходы к отбору признаков. Метод главных компонент. Методы понижения размерности.

Раздел 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети.

  • Объединение моделей в композицию. Взаимное исправление ошибок моделей. Основные понятия и постановки задач, связанные с композициями. Градиентный бустинг.
  • Нейронные сети. Поиск нелинейных разделяющих поверхностей. Многослойные нейронные сети и их настройка с помощью метода обратного распространения ошибки. Глубокие нейронные сети: их архитектурах и особенности.

Раздел 6. Кластеризация и визуализация.

  • Задачи обучения без учителя. Поиск структуры в данных. Задача кластеризации как задача поиска групп схожих объектов. Задача визуализации как задача отображения объектов в двух- или трехмерное пространство.

Раздел 7.  Прикладные задачи анализа данных: постановки и методы решения. 

  • Частичное обучение как задача, находящаяся между обучением с учителем и кластеризацией. Задача для выборки, в которой значение целевой переменной известно лишь для части объектов. Отличие задачи частичного обучения от рассмотренных ранее постановок. Подходы к решению.
  • Разбор задач из прикладных областей: скорринг в банках, страховании, задачи андеррайтинга, задачи распознавания образов.

 

Продолжительность обучения – 72 часа (30 часов аудиторных занятий с преподавателем, 42 часа самостоятельного изучения материалов).

Форма обучения – очно-заочная, без отрыва от работы, начало занятий по рабочим дням в 18:30, по субботам в 10:00.

Формат занятий - очный, для участников из других городов, в случае невозможности очного посещения вы сможете подключиться к занятию через видеоконференцию.

Стоимость обучения в 2022/2023 учебном году - 30 000 рублей.

Начало занятий - осень 2022 года.

Договоры на обучение заключаются с физическими и с юридическими лицами.

Запись на курсы проводится по электронной почте hsmi-dopobr@mail.ru (для физических лиц), vvp123@mail.ru (для юридических лиц) или через форму регистрации на сайте. Также вы можете обратиться для записи или с вопросами к администратору курса Мартьянову Антону по WhatsApp или Telegram по номеру +79264827721.

Телефон деканата факультета: +74959328073

Информация обновлена: 02.07.2022

Program size: 
72 часа (30 часов аудиторных занятий с преподавателем, 42 часа самостоятельного изучения материалов)
Duration of studies: 
4 недели
Mode of attendance: 
Intra-extramural
Language of study: 
Russian
Issue documents: 

Удостоверение о повышении квалификации Высшей школы управления и инноваций (факультета) МГУ имени М.В.Ломоносова

Common materials: 

Записаться на обучение

Очный; дистанционный (видеоконференция); совмещенный, в зависимости от ситуации; ваш вариант
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.