Machine learning для прогнозирования

Двухнедельный практикум о прогнозировании с применением разных методов ML. Скролльте ниже, чтобы узнать, о каких методах речь
и в каком формате проходит практикум.

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 4,5 часов на занятиях и ~10 часов самостоятельной практики вы сможете понять эти методы, внедрить их в свою работу и оценить релевантность каждого для конкретной задачи.

12 октября ↓ 26 октября

→12 октября — 26 октября

Тарас Кучеренко

разрабатывает модели жестикуляции как исследователь в Королевском технологическом институте (KTH Royal Institute of Technology in Stockholm)

диагностический прогноз HealthTech EACare совпадает с клинической оценкой в 100% протестированных случаев в выборке
преподает machine learning, computer vision и deep learning
провёл исследование о генеративных моделях невербального поведения, таких как жесты рук и мимика
знает языки Python и С#, а также 7 человеческих языков

1

Прогнозирование на основе линейной и полиномиальной регрессий

Изучите основы ML, обучающие и тестовые выборки, основные принципы и сферы применения линейной и полиномиальной регрессии.

Зачем: научиться строить регрессии для прогнозирования.

2

Прогнозирование с помощью метода
k-ближайших соседей

Изучите основные принципы, сферы применения, преимущества и недостатки метода k-ближайших соседей. Сравните метод с полиномиальной регрессией.

Зачем: применять метод

k-ближайших соседей для прогнозирования, а также оценивать качество метода.

3

Прогнозирование с помощью нейронных сетей

Изучите принцип работы нейронных сетей и deep learning. Определите ситуации, в которых корректнее использовать метод ML или DL.

Зачем: оценивать эффективность метода, применять нейронные сети для прогнозирования.

Навык
Понимаете, как решить задачу по прогнозированию тремя методами:

с помощью регрессий, k-ближайших

соседей и нейросетей.

Применение
Можете определить, какой метод более релевантен для вашей конкретной задачи,

и как применять каждый из методов в реальной работе.

Стоимость практикума:

2000 грн.

1. … практикум не понравился – можно вернуть деньги.

2. … не подходит график занятий — уточните, когда будет следующий поток.

3. … вы пропустили занятие – сохраняется запись.

Зарегистрироваться

r_d