Программа курса
Основные термины машинного обучения
Познакомимся с базовыми понятиями, которые необходимы для понимания всех следующих тем.
Основы линейной регрессии
Как самым простым прогнозировать непрерывные величины и как оценивать результат.
Валидация моделей и пайплайны
Поговорим о том, зачем нужна тестовая и валидационная выборки, как их формировать, и чем нам могут помочь пайплайны.
Полиномиальная регрессия, регуляризация
Что делать, если зависимости в данных нелинейные, как бороться с мультиколлинеарностью и переобучением.
Инструменты подбора гиперпараметров
Что такое GridSearch, RandomSearch, HalvingSeach, Optuna, и зачем использовать эти инструменты.
Как самым простым способом прогнозировать класс, к которому принадлежит объект и как оценивать результат.
Как строить модель Decision Tree для задач регрессии и классификации, её преимущества и недостатки.
Как оптимизировать данные по используемой памяти, обрабатывать пропуски и кодировать категориальные признаки.
Как разделять объекты на группы, какие базовые модели для этого применяются.
Как объединять несколько моделей в одну, чтобы было ещё лучше и сложнее.
Что такое нейроны, функции активации и как обучаются нейронные сети.
Реализуем первую нейросеть на самом популярном фреймворке.
Нейросети для работы
с изображениями
Узнаем, что такое свёрточные слои, и как они нам могут помочь лучше классифицировать изображения.
Дополнительные полезные слои
Добавляем дополнительные слои в наши нейросети – Pooling, BatchNorm, DropOut.
Как использовать и модифицировать готовые обученные модели для своих задач.