- < Онлайн-интенсив >
- < 5 занятий >
- < Старт 09.08 >
Тарас Кучеренко
Аспирант (PhD) Стокгольмского Королевского Института Технологий
Machine Learning. Введение в регрессионный анализ
Трехнедельный интенсив о том, как решать задачи регрессии/прогнозирования методами supervised machine learning. Скрольте ниже, чтобы узнать, о каких методах речь и в каком формате проходит обучение.
о курсе
Чтобы научить вас использованию этих методов, существует данный онлайн - интенсив. В течении суммарно 7,5 часов на занятиях и ~15 часов самостоятельной практики вы сможете изучить методы supervised machine learning, научиться оценивать релевантность каждого из них для конкретной задачи и внедрить их в свою работу.
- 5 практических
занятий онлайн - курсовой проект
в портфолио - живое общение
с лектором
специализация курса
- Developer
- Analyst
- Other IT specialist
- понимание основ статистики и теории вероятности
- знание Python
- базовые знания математического анализа
9 августа — 26 августа
5 занятий (по понедельникам и четвергам)
лектор
Тарас Кучеренко
Аспирант (PhD) Стокгольмского Королевского Института Технологий
- диагностический прогноз HealthTech EACare совпадает с клинической оценкой в 100% протестированных случаев в выборке
- разрабатывает модели жестикуляции в HealthTech EACare (Швеция) — роботизированной системе обнаружения ранних признаков деменции
- преподает машинное обучение и компьютерное зрение в Стокгольмском Королевском Институте Технологий (KTH Royal Institute of Technology in Stockholm)
- провёл исследование о генеративных моделях невербального поведения, таких как жесты рук и мимика
- знает языки Python и С#, а также 7 человеческих языков
Программа
-
- занятие 1
- онлайн 9.08 в 19:00
Машинное обучение: вступление [лекция]
Изучите основы ML, обучающие и тестовые выборки, основные принципы и сферы применения линейной и полиномиальной регрессии.
-
- занятие 2
- онлайн 12.08 в 19:00
Прогнозирование с помощью линейной и полиномиальной регрессии [практика]
Изучите, как применять линейную и полиномиальную регрессию для прогнозирования. Решите задачу прогнозирования с помощью полиномиальной регрессии для предоставленного датасета. Зачем: научиться строить регрессии для прогнозирования.
-
- занятие 3
- онлайн 19.08 в 19:00
Прогнозирование с помощью метода k-ближайших соседей [практика]
Изучите основные принципы, сферы применения, преимущества и недостатки метода k-ближайших соседей. Сравните метод с полиномиальной регрессией. Решите задачу по прогнозированию для предоставленного датасета с помощью этого метода. Зачем: применять метод k-ближайших соседей для прогнозирования, а также оценивать качество метода.
-
- занятие 4
- онлайн 23.08 в 19:00
Нейронные сети: вступление [лекция]
Изучите ключевые понятия и принцип работы нейронных сетей. Ознакомьтесь с принципом работы deep learning.
-
- занятие 5
- онлайн 26.08 в 19:00
Прогнозирование с помощью нейронных сетей [практика]
Изучите явления overfitting and underfitting. Определите ситуации, в которых корректнее использовать метод ML или DL. Начните применять нейронную сеть для представленного датасета. Сравните все три изученных метода. Зачем: научиться применять разные нейронные сети для конкретных задач.
регистрация
скилы после курса
-
1
Задачи
Понимаете, как решить задачу по прогнозированию тремя методами: с помощью регрессий, k-ближайших соседей и нейросетей
-
2
Методы
Можете определить, какой метод более релевантен для вашей конкретной задачи, и как применять каждый из методов в реальной работе
-
3
Обучение
Обучаете нейронную сеть для прогнозирования
What if … :
- 1. ... курс не понравился — можно вернуть деньги.
- 2. ... не подходит график занятий — уточните, когда будет следующий поток.
- 3. ... вы пропустили занятия — сохраняется запись.