Курс основан на материалах, подготовленных в 2016 году известным украинским Data Scientist’ом Сергеем Шельпуком и значительно переработанных и дополненных нашими преподавателями и заслуженно может считаться одним из лучших для начальной подготовки в науке о данных.
Программа курса.
- Вступление. Обзор машинного обучения
- Повторение тем: линейная алгебра, теория вероятности,мат статистика
- Линейная регрессия. Градиентный спуск.
- Взвешенная линейная регрессия. MLE. Логистическая регрессия.
- Обзор Python-экосистемы для машинного обучения.
- Софтмакс-регрессия. Обобщенная линейная модель (GLM)
- Генеративные модели. GDA. Наивный байесовский классификатор.
- Регуляризация, выбор модели, отладки процесса обучения.
- Метод опорных векторов (SVM). Корнелия.
- Нейронные сети. Backpropagation.
- Глубокое обучения (Deep Learning).
- Деревья решений. Ансамбли.
- Теоретические аспекты машинного обучения.
- Кластеризация. K-Means. GMM.
- Метод главных компонентов (PCA).
- Метод независимых компонент (ICA).
- Интеллектуальные агенты. MDP.
- Обучение с подкреплением. Изучение политик в MDP.
- Обучение с подкреплением. Q-Learning, DQN
- Обработка натуральной языка (NLP).
- Рекомендательные системы.
В конце курса студенты выполняют курсовой проект по выбранной ими практической теме.
О преподавателях: лекторы курса – Богдан Колчигин, Всеволод Демидов, Николай Павлов, Александр Кондуфоров, Владислав Колбасин. Практическую часть курса подготовили – Сергей Шельпук, Богдан Колчигин, Александр Обедников.
Этот курс будет интересен для программистов и тим-лидов, которые хотят погрузиться в мир машинного обучения,
искусственного интеллекта, больших данных и алгоритмов.
Требования к студентам:
Владение основами линейной алгебры, статистики и теории вероятности.
Знания хотя бы одного языка программирования и умение писать код.