Машинное обучение, часть 1

Аннотация

Первая часть объемного годового курса, в котором подробно рассматриваются простейшие модели машинного обучения.

Такой подход позволяет осознать основные принципы данной области в целом. Знание этих принципов даст возможность самостоятельно понимать механизмы функционирования более сложных современных моделей, обнаруживать пути улучшения уже существующих алгоритмов, а также адаптировать методы машинного обучения для решения нестандартных задач.

Пререквизиты

• Математический анализ, годовой курс
• Алгебра, годовой курс
• Теория вероятностей
• Математическая статистика
• Программирование: базовое владение языком программирования Python (ввод-вывод, циклы, рекурсия, классы, функции)

Где понадобится

• Более узкоспециализированные курсы по машинному обучению
• Научная работа в области машинного обучения
• В собеседованиях на ML-секциях
• В работе на должности Data Scientist, Machine Learning Engineer, Machine Learning Researcher

Содержание первого семестра

• Постановки задач машинного обучения
• Линейные методы классификации и регрессии
• Логические методы классификации
• Метрические методы классификации и регрессии
• Метрики качества, обобщающая способность
• Методы отбора признаков
• Основы байесовских методов

Вы научитесь

• ориентироваться в обширной области машинного обучения
• понимать на базовом уровне принципы устройства различных методов
• формализовывать задачи на языке обучения моделей
• понимать преимущества и недостатки моделей
• реализовывать базовые модели на языке программирования Python
• азам использования таких библиотек языка программирования Python, как numpy, matplotlib и pandas
• бороться с проблемами, которые возникают при обучении моделей

Критерии оценок

Максимально можно набрать 160 баллов = 90 (практические) + 22 (теоретические) + 24 (соревнование) + 24 (экзамен)

• «зачет» не менее 81 балла
• 82 .. «хорошо» .. 111
• «отлично» не менее 112