Курс Machine Learning и Deep Learning

SkillFactory

Сложность

Для продвинутых

Длительность

5 мес

Программа курса

Введение в машинное обучение

Знакомимся с основными задачами и методами Machine Learning, изучаем практические кейсы и применяем базовый алгоритм работы над ML-проектом
Решаем 50+ задач на закрепление темы

Методы предобработки данных

Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
Решаем 60+ задач на закрепление темы

Регрессия

Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию.
Обучаем модели регрессии
Решаем 40+ задач на закрепление темы

Кластеризация

Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
Решаем 50+ задач на закрепление темы

Tree-based алгоритмы: введение в деревья

Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
Решаем 40+ задач на закрепление темы

Tree-based алгоритмы: ансамбли

Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
Решаем 40+ задач на закрепление темы
Участвуем в соревновании на kaggle по обучению tree-based модели

Оценка качества алгоритмов

Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
Оцениваем качество нескольких моделей ML
Решаем 40+ задач на закрепление темы

Временные ряды в машинном обучении

Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
Решаем 50+ задач на закрепление темы

Рекомендательные системы

Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
Решаем 50+ задач на закрепление темы

Финальный хакатон

Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle

Введение в искусственные нейронные сети

Создаем нейронную сеть для распознавания рукописных цифр на языке Python

Фреймворки для глубокого обучения (TensorFlow, Keras)

Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras

Сверточные нейронные сети

Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети

Оптимизация нейронной сети

Улучшаем скорость и производительность сетей для кейса предыдущего модуля

Transfer learning & Fine-tuning

Дообучение нейронной сети ImageNET для решения задачи классификации изображений

Сегментация изображений

Проектируем нейронную сеть для сегментации людей в датасете COCO

Детектирование объектов

Обучаем нейросеть решать задачу детекции на примере датасета с логотипами брендов

Введение в NLP и Word Embeddings

Создаем нейросеть для работы с естественным языком

Рекуррентные нейронные сети

Создаем чат-бота на базе рекуррентной нейросети

Reinforcement Learning (обучение с подкреплением)

Создаем агента для игры в Pong на основе DQN алгоритма

What's next?

Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений

Преподаватели

Сергей Веренцов

CTO, компания EORA

Эмиль Богомолов

Инженер-исследователь в группе ADASE Сколтех

Андрей Зимовнов

Старший разработчик в Яндекс.Дзен

Эмиль Магеррамов

Ведущий автор разделов ML и DS. Руководитель группы вычислительной химии в BIOCAD. Создает сервисы и модели машинного обучения, которые помогают химикам быстрее выпускать лекарства.