Курс посвящен применению языка Python для технологий машинного обучения. В нем также рассматриваются основные библиотеки, используемые в машинном обучении и методики их использования.
Занятия проходят по будням в вечернее время с 17.00 и до 22.00 ч.
1. Постановка задачи машинного обучения. (2 ак.ч.)
• Основные понятия машинного обучения
• Что такое Jupyter и Anaconda.
• Основные структуры данных в Python
• Методы оптимизации
• Схема построения систем машинного обучения.
• Необходимый инструментарий.
2. Обучение с учителем. (6 ак.ч.)
• Приложения машинного обучения
• Обучение на данных
• Понятие нейронной сети.
• Персептрон. Определение, реализация и обучение.
• Основные понятия задачи классификации
• Метод градиентного спуска.
3. Использование библиотека scikit-learn для машинного обучения. (8 ак.ч.)
• Обучение персептрона.
• Метод логистической регрессии.
• Метод опорных векторов.
• Метод k ближайших соседей.
4. Обучение с учителем. Задача регрессии. (8 ак.ч.)
• Аппроксимация, интерполяция, экстраполяция
• Обучение с учителем.
• Линейная регрессия.
• Метод наименьших квадратов.
• Метод градиентного спуска.
• Основы нелинейной регрессии.
5. Обучение без учителя. (8 ак.ч.)
• Особенности кластерного анализа
• Метод k средних.
• Алгоритмы кластеризации, и области применения
6. Основы глубокого обучения. (8 ак.ч.)
• Основные понятия глубокого обучения
• Области применения
• Многослойная нейронная сеть.
• Введение в глубокое обучение
• Основные понятия глубокого обучения и области применения
• Алгоритмы глубокого обучения нейронных сетей
• Применение библиотек для обучения многослойных нейронных сетей.
