Основное внимание в курсе уделено реальным кейсам применения машинного обучения для решения бизнес-задач с использованием Python и его экосистемы. Курс проводится в формате лекций и практических занятий, что позволяет сразу применять полученные знания в реальных проектах. В программе предусмотрены домашние задания и командные проекты, выполняемые после учебного дня, что способствует глубокому усвоению материала и подготовке к профессиональной деятельности в сфере ML.
Предварительные требования: Для успешного прохождения курса слушатели должны владеть:
- базовыми знаниями Python;
-
элементарными представлениями статистики, линейной алгебры и анализа данных;
-
навыками работы с ПК и пониманием принципов обработки информации.
По окончании курса слушатели смогут:
-
разрабатывать и оптимизировать ML-модели для реальных задач;
-
проводить предобработку, анализ и визуализацию данных с использованием современных библиотек Python;
-
интегрировать ML-решения в бизнес-процессы и приложения;
-
применять методы оценки и валидации моделей для повышения их эффективности;
-
реализовывать end-to-end проекты с учетом современных практик MLOps.
Цель курса:
Формирование практических навыков разработки, оптимизации и интеграции моделей машинного обучения на Python для решения реальных задач. Обучение сбору, обработке и анализу данных, построению моделей с использованием классических алгоритмов и глубокого обучения, а также внедрению готовых решений в производственные процессы.
Аудитория курса:
Настоящая программа предназначена для специалистов по анализу данных, разработчиков, аналитиков и IT-менеджеров, стремящихся освоить современные методы машинного обучения и их применение в реальных проектах. Курс подходит как для начинающих специалистов, так и для тех, кто хочет углубить свои знания и получить практический опыт в создании и интеграции ML-решений.
Модуль 1: Введение в машинное обучение и подготовка данных (8 часов)
- Обзор машинного обучения в реальных проектах. Тренды, кейсы из индустрии и примеры успешных решений
-
Python для ML: инструменты и библиотеки. Обзор экосистемы: scikit-learn, pandas, NumPy, matplotlib
-
Сбор данных и источники информации. API, базы данных, веб-скрейпинг Предобработка и очистка данных. Трансформация, нормализация, обработка пропусков
-
Визуализация данных для аналитики. Построение графиков с использованием matplotlib, seaborn, Plotly
-
Практическое занятие: подготовка реального набора данных для последующего анализа
Модуль 2: Классические алгоритмы машинного обучения (10 часов)
- Супервизированное обучение: регрессия и классификация. Линейная регрессия, логистическая регрессия, SVM
-
Деревья решений и ансамблевые методы. Random Forest, Gradient Boosting, XGBoost
-
Несупервизированное обучение. Кластеризация (K-means, иерархическая кластеризация), понижение размерности (PCA)
-
Оценка качества моделей. Кросс-валидация, метрики (точность, recall, F1-мера и др.) Практическое занятие: разработка модели для задачи предсказания оттока клиентов или другого бизнес-кейса
Модуль 3: Применение глубокого обучения в реальных проектах (10 часов)
- Основы нейронных сетей и глубокого обучения. Архитектура, функции активации, концепция обучения
-
Создание нейронных сетей с TensorFlow и Keras. Построение, обучение и оптимизация моделей
-
Обработка изображений и текста. Сверточные нейронные сети (CNN) и рекуррентные сети (RNN, LSTM)
-
Интеграция OpenCV для задач компьютерного зрения. Предобработка изображений, детекция объектов, применение в проектах
-
Практическое занятие: реализация проекта: разработка модели для распознавания образов или анализа текстовых данных
Модуль 4: Разработка end-to-end ML-решений (6 часов)
- Проектирование прототипа ML-проекта. Постановка задачи, определение KPI и бизнес-логики
-
Интеграция модели в приложение. Создание REST API с использованием Flask или FastAPI
-
Интеграция с бизнес-процессами. Автоматизация, обработка потоковых данных и A/B тестирование
-
Практическое занятие: разработка прототипа решения с интеграцией ML-модели в веб-сервис
Модуль 5: MLOps и развёртывание моделей в продакшн (6 часов)
- Введение в MLOps. Принципы CI/CD, автоматизация и мониторинг ML-моделей
-
Контейнеризация и облачные решения. Docker, Kubernetes и развёртывание на AWS, GCP или Azure
-
Мониторинг и обновление моделей. Методы отслеживания качества модели и реагирование на дрифт данных
