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, вечерняя.
Формат занятий - очный, для участников из других городов, в случае невозможности очного посещения вы сможете подключиться к занятию через видеоконференцию.
Стоимость обучения - 35 200 рублей.
Начало занятий -Весна 2024 года
Договоры на обучение заключаются с физическими и с юридическими лицами.
Запись на курсы проводится по электронной почте hsmi-dopobr@mail.ru или с помощью формы регистрации на странице сайта.
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.
Раздел 2. Метрические методы классификации. Линейные методы, стохастический градиент.
Раздел 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации.
Раздел 4. Линейная регрессия. Понижение размерности, метод главных компонент.
Раздел 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети.
Раздел 6. Кластеризация и визуализация.
Раздел 7. Прикладные задачи анализа данных: постановки и методы решения.
Продолжительность обучения – 72 часа (30 часов аудиторных занятий с преподавателем, 42 часа самостоятельного изучения материалов).
Форма обучения – очно-заочная, вечерняя.
Формат занятий - очный, для участников из других городов, в случае невозможности очного посещения вы сможете подключиться к занятию через видеоконференцию.
Стоимость обучения - 35 200 рублей.
Начало занятий -Весна 2024 года
Договоры на обучение заключаются с физическими и с юридическими лицами.
Запись на курсы проводится по электронной почте hsmi-dopobr@mail.ru или с помощью формы регистрации на странице сайта.
Телефон деканата факультета: +7 (495) 932-80-73
Информация обновлена 30.06.2023