наверх

Основы машинного обучения

  • Русский

    язык курса

  • 11 недель

    длительность курса

  • от 5 до 8 часов в неделю

    понадобится для освоения

  • 4 зачётных единицы

    для зачета в своем вузе

Курс «Основы Машинного обучения» поможет овладеть навыками Data Culture

О курсе

Онлайн курс НИУ ВШЭ посвящён основам анализа данных и машинного обучения. По результатам слушатели освоят способы предобработки и визуализации данных, изучат основные методы машинного обучения (линейные, метрические, решающие деревья и их композиции), научатся оценивать качество моделей. Дистанционный курс пригодится всем, кто хочет «с нуля» погрузиться в область машинного обучения, получить первые практические навыки и начать применять их для решения собственных задач по извлечению пользы из данных.

Практические навыки, получаемые в процессе освоения курса: анализ данных, программирование на Python.

Формат

Курс состоит из 11 недель. Каждая неделя содержит видеолекции, тестовые задания и материалы для самостоятельного изучения. В открытом доступе вы можете ознакомиться с видеолекциями первых двух недель, остальные материалы станут доступны после оплаты курса. 

Python, библиотеки numpy, pandas, matplotlib, seaborn, scikit-learn

Требования

Программа курса

  1. Основные понятия и задачи в машинном обучении
  2. Метод k ближайших соседей
  3. Линейная регрессия
  4. Градиентный спуск
  5. Линейная классификация
  6. Логистическая регрессия и метод опорных векторов
  7. Решающие деревья
  8. Бэггинг и случайный лес
  9. Градиентный бустинг
  10. Обучение без учителя
  11. Рекомендательные системы

Результаты обучения

  • Знает основные способы познания, их эволюцию.
  • Умеет применять различные методы машинного обучения для решения поставленных задач, а также оценивать полученный результат.
  • Владеет навыками решения практических задач с использованием различных методов машинного обучения.
  • Знает основные классы задач машинного обучения.
  • Сводит прикладную задачу к основным типам, формализует её и строит математическую модель.
  • Решает основные классы задач машинного обучения.
  • Знает основные библиотеки, применяемые в решении задач из области машинного обучения.
  • Создает эффективные программы для решения задач машинного обучение.
  • Владеет навыками автоматического обучения созданных моделей и применяет эти модели для решения прикладных задач с учетом требований информационной безопасности.
  • Знает основную терминологию и способы построения технических текстов на русском языке и иностранном языке.
  • Анализирует статьи для выявления необходимых знаний.
  • Владеет методами сбора, анализа, организации и документирования требований.
  • Знает различные способы получения необходимой информации (в том числе с использованием сети Интернет).
  • Работает с информацией: находит, оценивает и использует информацию из различных источников, необходимую для решения научных и профессиональных задач.
  • Критически отбирает методы решения поставленных задач в области машинного обучения.

Формируемые компетенции

  • Способен совершенствовать и развивать свой интеллектуальный и культурный уровень, строить траекторию профессионального развития и карьеры (УК-4).
  • Способен правильно использовать существующие и вводить новые понятия в области математики и информатики, интегрируя известные факты, концепции, принципы и теории, связанные с прикладной математикой и информатикой (ОПК-2).
  • Способен обоснованно выбирать и применять в профессиональной деятельности современные компьютерные технологии в соответствии со спецификой решаемых задач, включая операционные системы, сетевые технологии, языки программирования, языки манипулирования данными, электронные библиотеки, пакеты прикладных программ (ОПК-3).
  • Способен анализировать и воспроизводить смысл междисциплинарных текстов с использованием языка и аппарата прикладной математики и информатики (ПК-4).
  • Способен осуществлять целенаправленный многокритериальный поиск информации о новейших научных и технологических достижениях в сети Интернет и в других источниках (ПК-7).

Направления подготовки

Навыки

 Курс позволяет освоить следующие компетенции в соответствии с Рекомендациями к дополнительным профессиональным программам ИТ-профиля, реализуемым в рамках проекта «Цифровые кафедры» университета–участника программы стратегического академического лидерства «Приоритет-2030»:

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Применяет искусственный интеллект и машинное обучение
Уровень: Продвинутый

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Применяет математический аппарат для решения задач по оценке и разработки моделей
Уровень: Продвинутый

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Решает задачи искусственного интеллекта (ИИ)
Уровень: Экспертный

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Осуществляет сбор и подготовку данных для обучения моделей искусственного интеллекта 
Уровень: Экспертный

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Разрабатывает и применяет методы машинного обучения (МО) для решения задач
Уровень: Экспертный

Отзывы о курсе

После завершения курса мы рекомендуем вам обратить внимание на курсы (в последовательности) Математическая статистика и А‍/‍В тестированиеПродвинутые методы машинного обученияСтатистические методы анализа данных. Также рекомендуем обратить внимание на курсы Анализ текстовых данных и Компьютерное зрение.

Соколов Евгений Андреевич


Должность: Старший преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Зимовнов Андрей Вадимович


Должность: Старший преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Ковалев Евгений Игоревич


Должность: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Кохтев Вадим Михайлович


Должность: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Рысьмятова Анастасия Александровна

Магистр
Должность: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

Филатов Артём Андреевич


Должность: Приглашенный преподаватель факультета компьютерных наук, Департамент больших данных и информационного поиска

сертификат об окончании курса

Сертификат

Стоимость доступа ко всем материалам курса, возможности пройти экзамен с прокторингом и получить сертификат составляет 3600 рублей.

Стоимость прохождения процедур оценки результатов обучения с идентификацией личности - 3600 Р.

Похожие курсы