Чему вы научитесь

Задачи и процесс машинного обучения
Данные для машинного обучения
Особенности обучение моделей
Экспорт и импорт результатов машинного обучения
Метод максимального правдоподобия
Линейная регрессия и регуляризация
Среднеквадратичная ошибка и другие метрики
Полиномиальная и нелинейная регрессия
Логистическая регрессия

Требования

Школьная математика
Интерес к искусственному интеллекту и(ли) большим данным

Описание

Работа с большими данными и задачами искусственного интеллекта требует особого подхода — подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки.

Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели — линейную и логистическую регрессии.

Курс является вводным и подойдет широкому кругу слушателей: от руководителей до разработчиков.

Для кого этот курс:

Руководители и менеджеры
Разработчики больших систем
Научные работники
Директора по маркетингу и продажам

Материалы курса
Процесс машинного обучения

Задачи машинного обучения
Задачи машинного обучения
Модель и процесс машинного обучения
Процесс ETL
Процесс машинного обучения

Подготовка данных

EDA
Подготовка данных
Подготовка данных

Модель машинного обучения

Разбиение выборки
Оптимизация гиперпараметров
Недообучение и переобучение
Обучение модели
Использование HDF

Базовые методы и оценки

Метод максимального правдоподобия
Метод наименьших квадратов
Метод наименьших квадратов
Аппроксимация пропусков в данных
Аппроксимация данных
Среднеквадратичная ошибка
Метрики и расстояния
Метрики и расстояния

Линейные модели

Линейная регрессия и L1/L2-регуляризация
Линейная регрессия
BIC и AIC
Полиномиальная регрессия
Линеаризация регрессии
Нелинейная регрессия
Логистическая регрессия
Линейные модели

[udemy] Введение в машинное обучение 2020 [Центр digital-профессий ITtensive]