Курс по хардкорному Machine Learning

направление:

вендор: Академия Искусственного Интеллекта

Даты проведения курса

Основное внимание в курсе уделено глубокому погружению в машинное обучение: от продвинутой математической базы до реализации и оптимизации сложных моделей для решения нестандартных бизнес-задач. Курс проводится в формате лекций и практических занятий, что способствует одновременному освоению теории и её применению на практике. В рамках программы предусмотрены домашние задания, которые выполняются после каждого учебного дня для закрепления материала.

Предварительные требования:
Для успешного прохождения курса слушатели должны владеть:

уверенными знаниями Python и основными библиотеками для анализа данных (pandas, NumPy, scikit-learn);
базовыми представлениями математической статистики, линейной алгебры и исчисления;
опытом работы с базовыми моделями машинного обучения.

По окончании курса слушатели смогут:

разрабатывать и оптимизировать сложные модели машинного обучения; применять передовые методы для обработки и анализа больших данных;
реализовывать алгоритмы глубокого обучения и нейронные сети для решения сложных задач;
проводить детальный анализ, интерпретацию и оценку результатов моделей;
интегрировать ML-решения в реальную производственную среду с использованием современных подходов MLOps.

Преподаватель курса - Сергеев Олег

Формат обучения:

Обучение проводится дистанционно по будням с 10 до 14 часов по Мск.

Цель курса:

Углублённое изучение теоретических и практических аспектов машинного обучения, освоение сложных алгоритмов и методов оптимизации, а также разработка и внедрение комплексных ML-решений в реальной производственной среде. Курс направлен на развитие навыков работы с большими данными, построения нейронных сетей, ансамблевых моделей и применения передовых техник оптимизации.

Аудитория курса:

Настоящая программа предназначена для специалистов по анализу данных, инженеров машинного обучения, исследователей и разработчиков, стремящихся освоить сложные методы ML для решения реальных, часто нестандартных задач. Курс подойдёт тем, кто уже имеет опыт работы с базовыми моделями и желает углубить свои знания, научиться оптимизировать и масштабировать решения.

Программа курса

Модуль 1: Теоретические основы и подготовка данных (8 часов)

Современные тренды и постановка сложных задач в ML. Обзор хардкорных методов, кейсы нестандартного применения
Математическая база для продвинутого ML. Линейная алгебра, статистика, оптимизационные методы
Продвинутая предобработка данных. Очистка, нормализация, обработка выбросов, трансформация признаков
Методы визуализации и анализа данных. Использование matplotlib, seaborn, Plotly для глубокого анализа
Практическое занятие: применение методов предобработки на реальных наборах данных

Модуль 2: Супервизированное обучение и алгоритмы оптимизации (10 часов)

Продвинутые модели регрессии и классификации. Глубокий анализ алгоритмов: SVM, ансамбли (Bagging, Boosting)
Алгоритмы оптимизации и методы регуляризации. Градиентный спуск, стохастический градиент, Adam, RMSprop; техники предотвращения переобучения
Работа с дисбалансированными данными. Методы синтеза выборок и техники балансировки
Кросс-валидация и оценка качества моделей. Подбор гиперпараметров, Grid Search, Random Search
Практическое занятие: разработка и оптимизация модели для решения сложной бизнес-задачи

Модуль 3: Глубокое обучение и нейронные сети (10 часов)

Архитектуры глубоких нейронных сетей. CNN, RNN, LSTM, Transformer – обзор и сравнительный анализ
Трансферное обучение и дообучение предобученных моделей. Применение предобученных моделей в новых задачах
Техники регуляризации в глубоких сетях. Dropout, Batch Normalization, Data Augmentation
Работа с большими данными и распределённое обучение. Использование GPU и кластеров для ускорения обучения
Практическое занятие: создание и обучение нейросетевой модели на реальных данных

Модуль 4: Нелинейные задачи: несупервизированное обучение и Reinforcement Learning (6 часов)

Методы кластеризации и понижения размерности. K-means, иерархическая кластеризация, PCA, t-SNE, UMAP
Обучение с подкреплением. Основы Q-Learning, Deep Q-Networks (DQN)
Интеграция методов несупервизированного и RL. Комбинированные подходы для сложных задач
Практическое занятие: применение алгоритмов несупервизированного обучения и RL на реальном кейсе

Модуль 5: Интеграция, интерпретация и применение моделей (6 часов)

Интерпретация и объяснение решений моделей. Методы Explainable AI: LIME, SHAP, визуализация Grad-CAM
Интеграция ML-решений в производственные системы. Создание REST API для моделей, базовые принципы MLOps
Мониторинг и обновление моделей. отслеживание качества, реагирование на дрифт данных
Практическое занятие: разработка комплексного проекта с интеграцией и демонстрацией результатов

Курс по хардкорному Machine Learning

Цель курса:

Аудитория курса:

Заказ Обратного звонка