• < Онлайн-интенсив >
  • < 5 занятий >
  • < Старт 09.08 >
Богдана Юрик

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.

Записатися

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

для кого
  • Developer
  • Analyst
  • Other IT specialist
необходимые знания
  • понимание основ статистики и теории вероятности
  • знание Python
  • базовые знания математического анализа

9 августа — 26 августа

5 занятий (по понедельникам и четвергам)

Записаться на курс
Тарас Кучеренко

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

Регистрируясь, вы соглашаетесь с условиями
договора-оферты и пполитикой конфиденциальности.

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.