Uczenie maszynowe i głębokie uczenie się - kurs 68 040 rub. z SkillFactory, szkolenie 20 tygodni, termin: 13.08.2023.

Krótki program kursu „Machine Learning PRO”

Moduł 1
Wprowadzenie do uczenia maszynowego
Zapoznajemy się z głównymi zadaniami i metodami uczenia maszynowego, studiujemy praktyczne przypadki i stosujemy podstawowy algorytm pracy nad projektem ML
Rozwiązujemy ponad 50 problemów, aby wzmocnić temat

Moduł 2
Metody wstępnego przetwarzania danych
Badamy typy danych, uczymy się czyścić i wzbogacać dane, wykorzystywać wizualizację do wstępnego przetwarzania i opracowywać inżynierię cech
Rozwiązujemy ponad 60 problemów, aby wzmocnić temat

Moduł 3
Regresja
Opanowujemy regresję liniową i logistyczną, badamy granice stosowalności, wnioskowanie analityczne i regularyzację. Modele regresji szkoleniowej
Rozwiązujemy ponad 40 problemów, aby wzmocnić temat

Moduł 4
Grupowanie
Opanowujemy naukę bez nauczyciela, ćwiczymy różne jej metody, pracujemy z tekstami z wykorzystaniem ML
Rozwiązujemy ponad 50 problemów, aby wzmocnić temat

Moduł 5
Algorytmy oparte na drzewach: wprowadzenie do drzew
Zapoznajmy się z drzewami decyzyjnymi i ich właściwościami, opanujmy drzewa z biblioteki sklearn i wykorzystajmy drzewa do rozwiązania problemu regresji

Rozwiązujemy ponad 40 problemów, aby wzmocnić temat

Moduł 6
Algorytmy drzewiaste: zespoły
Badamy cechy zespołów drzew, ćwiczymy wzmacnianie, wykorzystujemy zespół do budowania regresji logistycznej
Rozwiązujemy ponad 40 problemów, aby wzmocnić temat
Bierzemy udział w zawodach na kaggle do treningu modelu opartego na drzewie

Moduł 7
Ocena jakości algorytmów
Studiujemy zasady dzielenia próbek, niedostatecznego i nadmiernego dopasowania, oceniamy modele przy użyciu różnych mierników jakości, uczymy się wizualizować proces uczenia się
Ocena jakości kilku modeli ML
Rozwiązujemy ponad 40 problemów, aby wzmocnić temat

Moduł 8
Szeregi czasowe w uczeniu maszynowym
Zapoznajmy się z analizą szeregów czasowych w ML, głównymi modelami liniowymi i XGBoost, poznajmy zasady cross-validacji i doboru parametrów
Rozwiązujemy ponad 50 problemów, aby wzmocnić temat

Moduł 9
Systemy rekomendacyjne
Badamy metody budowy systemów rekomendacyjnych, opanowujemy algorytm SVD, oceniamy jakość rekomendacji wyszkolonego modelu
Rozwiązujemy ponad 50 problemów, aby wzmocnić temat

Moduł 10
Ostatni hackaton
Stosujemy wszystkie badane metody, aby uzyskać maksymalną dokładność przewidywań modelu na kaggle

Program kursu „Głębokie uczenie się”

Moduł 1
Wprowadzenie do sztucznych sieci neuronowych
Tworzymy sieć neuronową do rozpoznawania odręcznie zapisanych liczb w Pythonie

Moduł 2
Frameworki do głębokiego uczenia się (TensorFlow, Keras)
Tworzymy model rozpoznawania obrazu w oparciu o zbiór danych FashionMNIST i framework Keras

Moduł 3
Konwolucyjne sieci neuronowe
Rozpoznajemy obrazy w zbiorze danych CIFAR-10 za pomocą splotowej sieci neuronowej

Moduł 4
Optymalizacja sieci neuronowej
Poprawa szybkości i wydajności sieci dla przypadku poprzedniego modułu

Moduł 5
Przenieś naukę i dostrajanie
Dodatkowe szkolenie sieci neuronowej ImageNET w celu rozwiązania problemu klasyfikacji obrazów

Moduł 6
Segmentacja obrazu
Projektowanie sieci neuronowej służącej do segmentacji osób w zbiorze danych COCO

Moduł 7
Wykrywanie obiektów
Szkolimy sieć neuronową do rozwiązania problemu detekcji na przykładzie zbioru danych z logo marek

Moduł 8
Wprowadzenie do NLP i osadzania słów
Tworzenie sieci neuronowej do pracy z językiem naturalnym

Moduł 9
Rekurencyjne sieci neuronowe
Stworzenie chatbota w oparciu o rekurencyjną sieć neuronową

Moduł 10
Uczenie się przez wzmacnianie
Stworzenie agenta do gry w Ponga w oparciu o algorytm DQN

Moduł 11
Co dalej?
Zapoznajmy się z innymi obszarami zastosowań sieci neuronowych. Tworzenie sieci neuronowej GAN do generowania obrazu