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 практикуме
Один из самых популярных запросов в сфере машинного обучения — прогнозирование. Существуют три классических метода решения этой задачи: регрессии, k-ближайшие соседи и нейронные сети.
Чтобы научить вас использованию этих методов, существует данный практикум. В течение суммарно 7,5 часов на занятиях и ~15 часов самостоятельной практики вы сможете изучить эти методы на практике, научиться оценивать релевантность каждого для конкретной задачи и внедрить их в свою работу.
→9 августа — 26 августа
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
1
занятие 09.08
Машинное обучение: вступление [лекция]
Изучите основы ML, обучающие и тестовые выборки, основные принципы и сферы применения линейной и полиномиальной регрессии.
2
занятие 12.08
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.
3
занятие 19.08
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.
4
занятие 23.08
Нейронные сети: вступление [лекция]
Изучите ключевые понятия и принцип работы нейронных сетей. Ознакомьтесь с принципом работы deep learning.
5
занятие 26.08
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.
После курса
1
навык
понимаете, как решить задачу по прогнозированию тремя методами: с помощью регрессий, k-ближайших соседей и нейросетей
понимаете, как решить задачу по прогнозированию тремя методами: с помощью регрессий, k-ближайших соседей и нейросетей
2
применение
можете определить, какой метод более релевантен для вашей конкретной задачи, и как применять каждый из методов в реальной работе
можете определить, какой метод более релевантен для вашей конкретной задачи, и как применять каждый из методов в реальной работе
вы
ваши свойства
- разработчик
- аналитик данных
- студент технической специальности
ваши свойства
⟶
- понимание основ статистики и теории вероятности
- знание Python
- базовые знания математического анализа
регистрация
what if … :
1. … практикум не понравился – можно вернуть деньги.
2. … не подходит график занятий — уточните, когда будет следующий поток.
3. … вы пропустили занятие – сохраняется запись.