Модуль 0 - Установочная сессия
Модуль 1 - Введение. Определение ML
1.1. Введение. Структура курса
1.2. Цикл разработки модели и специалисты в сфере анализа данных
1.3. Настройка рабочего окружения
1.4. Библиотека NumPy
1.5. Библиотека Pandas
Модуль 2 - Анализ данных как первый шаг к ML/DS
2.1. Введение
2.2. Качество данных и типы данных
2.3. Приемы анализа данных - сводные показатели
2.4. Приемы анализа данных - визуализация
2.5. Итоги
Модуль 3 - Постановка задачи машинного обучения на примере KNN
3.1. Введение
3.2. Постановка задачи машинного обучения
3.3. Алгоритм k-ближайших соседей
3.4. Взвешенный алгоритм k-ближайших соседей
3.5. Виды расстояний и проблемы метода k-ближайших соседей
3.6. Оценка качества ML модели и выбор гиперпараметров
3.7. Практика
3.8. Итоги
Встреча по темам 1-3
Модуль 4 - Валидация модели и подготовка данных
4.1. Введение
4.2. Валидация модели
4.3. Подготовка данных
4.4. Итоги
Модуль 5 - Обучение с учителем — регрессия
5.1. Введение
5.2. Линейная регрессия
5.3. Алгоритм стохастического градиентного спуска
5.4. Метрики качества регрессии
5.5. Регуляризация линейных моделей
5.6. Практика
5.7. Итоги
Модуль 6 - Обучение с учителем — классификация
6.1. Введение
6.2. Логистическая регрессия
6.3. Метрики качества классификации
6.4. Практическое занятие по решению задачи классификации с помощью лог. рег.
6.5. Итоги
Встреча по темам 4-6
Модуль 7 - Деревья решений
7.1. Введение
7.2. Деревья решений
7.3. Ансамблирование алгоритмов
7.4. Случайный лес (random forest)
7.5. Бустинг. AdaBoost
7.6. Градиентный бустинг, catboost/xgboost/lightgbm
7.7. Практическое занятие по использованию деревьев решений и ансамблей над ними
7.8. Итоги
Модуль 8 - Обучение без учителя
8.1. Введение
8.2. Задача кластеризации
8.3. Быстрый поиск ближайших соседей
8.4. Задача понижения размерности
8.5. Практика
8.6. Итоги
Модуль 9 - Оптимизация ML-пайплайна
9.1. Введение
9.2. Feature engineering
9.3. Оптимизация гиперпараметров. Алгоритмы ML как гиперпараметры ML пайплайна
9.4. Библиотеки для оптимизации гиперпараметров
9.5. Практическое занятие по построению ML пайплайна с различными компонентами, оптимизации гиперпараметров и выбору оптимального ML пайплайна
9.6. Итоги
Встреча по темам 7-9 + объяснения итогового проекта
Модуль 10 - Итоговый проект
10.1. Введение
10.2. Задание
Модуль 11 - Введение в глубокое обучение (DL + CV)
11.1. Введение
11.2. Перцептрон. Функции активации. Многослойный перцептрон.
11.3. Обучение нейронных сетей. Оптимизаторы.
11.4. Линейная/логистическая регрессия как простейшая нейросеть.
11.5. Машинное представление изображения. Свертка. Фильтр.
11.6. Сверточная нейронная сеть. Паддинг (padding), Страйд (stride), Рецептивное поле (receptive field).
11.7. Imagenet. Alexnet, VGG.
11.8. Глубокие сверточные сети. ResNet.
11.9. Эффективные свертки. Inception.
11.10. Neural architecture search. EfficientNet.
11.11. Итоги
Модуль 12 - Введение в обработку текстов (NLP)
12.1. Введение
12.2. Примеры задач, решаемые NLP подходами
12.3. Предобработка текстов
12.4. Bag-of-words и TF-IDF
12.5. Word2Vec и FastText
12.6. Языковые модели: применение рекуррентных нейронных сетей
12.7. Большие языковые модели
12.8. Transfer Learning при работе с текстами
12.9. Практика
12.10. Итоги
Модуль 13 - Введение в рекомендательные системы (RecSys)
13.1. Введение
13.2. Примеры рекомендательных систем
13.3. Постановка задач рекомендательных систем
13.4. Коллаборативная фильтрация. Memory based подход
13.5. Коллаборативная фильтрация. Матричные факторизация
13.6. Коллаборативная фильтрация. Линейные модели
13.7. Коллаборативная фильтрация. Нейросетевые модели
13.8. Итоги
Модуль 14 - Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал
14.1. Введение
14.2. ML System Design - что это и отличия от System Design
14.3. Фреймворк дизайна ML системы
14.4. Пример дизайна - прогноз спроса
14.5. Пример дизайна - оптимизация маркетинга
14.6. Пример дизайна - подбор рекламы
14.7. Итоги
Модуль 15 - Проект
Встреча по доп. модулю + защита проектов
Модуль 1 - Введение. Определение ML
1.1. Введение. Структура курса
1.2. Цикл разработки модели и специалисты в сфере анализа данных
1.3. Настройка рабочего окружения
1.4. Библиотека NumPy
1.5. Библиотека Pandas
Модуль 2 - Анализ данных как первый шаг к ML/DS
2.1. Введение
2.2. Качество данных и типы данных
2.3. Приемы анализа данных - сводные показатели
2.4. Приемы анализа данных - визуализация
2.5. Итоги
Модуль 3 - Постановка задачи машинного обучения на примере KNN
3.1. Введение
3.2. Постановка задачи машинного обучения
3.3. Алгоритм k-ближайших соседей
3.4. Взвешенный алгоритм k-ближайших соседей
3.5. Виды расстояний и проблемы метода k-ближайших соседей
3.6. Оценка качества ML модели и выбор гиперпараметров
3.7. Практика
3.8. Итоги
Встреча по темам 1-3
Модуль 4 - Валидация модели и подготовка данных
4.1. Введение
4.2. Валидация модели
4.3. Подготовка данных
4.4. Итоги
Модуль 5 - Обучение с учителем — регрессия
5.1. Введение
5.2. Линейная регрессия
5.3. Алгоритм стохастического градиентного спуска
5.4. Метрики качества регрессии
5.5. Регуляризация линейных моделей
5.6. Практика
5.7. Итоги
Модуль 6 - Обучение с учителем — классификация
6.1. Введение
6.2. Логистическая регрессия
6.3. Метрики качества классификации
6.4. Практическое занятие по решению задачи классификации с помощью лог. рег.
6.5. Итоги
Встреча по темам 4-6
Модуль 7 - Деревья решений
7.1. Введение
7.2. Деревья решений
7.3. Ансамблирование алгоритмов
7.4. Случайный лес (random forest)
7.5. Бустинг. AdaBoost
7.6. Градиентный бустинг, catboost/xgboost/lightgbm
7.7. Практическое занятие по использованию деревьев решений и ансамблей над ними
7.8. Итоги
Модуль 8 - Обучение без учителя
8.1. Введение
8.2. Задача кластеризации
8.3. Быстрый поиск ближайших соседей
8.4. Задача понижения размерности
8.5. Практика
8.6. Итоги
Модуль 9 - Оптимизация ML-пайплайна
9.1. Введение
9.2. Feature engineering
9.3. Оптимизация гиперпараметров. Алгоритмы ML как гиперпараметры ML пайплайна
9.4. Библиотеки для оптимизации гиперпараметров
9.5. Практическое занятие по построению ML пайплайна с различными компонентами, оптимизации гиперпараметров и выбору оптимального ML пайплайна
9.6. Итоги
Встреча по темам 7-9 + объяснения итогового проекта
Модуль 10 - Итоговый проект
10.1. Введение
10.2. Задание
Модуль 11 - Введение в глубокое обучение (DL + CV)
11.1. Введение
11.2. Перцептрон. Функции активации. Многослойный перцептрон.
11.3. Обучение нейронных сетей. Оптимизаторы.
11.4. Линейная/логистическая регрессия как простейшая нейросеть.
11.5. Машинное представление изображения. Свертка. Фильтр.
11.6. Сверточная нейронная сеть. Паддинг (padding), Страйд (stride), Рецептивное поле (receptive field).
11.7. Imagenet. Alexnet, VGG.
11.8. Глубокие сверточные сети. ResNet.
11.9. Эффективные свертки. Inception.
11.10. Neural architecture search. EfficientNet.
11.11. Итоги
Модуль 12 - Введение в обработку текстов (NLP)
12.1. Введение
12.2. Примеры задач, решаемые NLP подходами
12.3. Предобработка текстов
12.4. Bag-of-words и TF-IDF
12.5. Word2Vec и FastText
12.6. Языковые модели: применение рекуррентных нейронных сетей
12.7. Большие языковые модели
12.8. Transfer Learning при работе с текстами
12.9. Практика
12.10. Итоги
Модуль 13 - Введение в рекомендательные системы (RecSys)
13.1. Введение
13.2. Примеры рекомендательных систем
13.3. Постановка задач рекомендательных систем
13.4. Коллаборативная фильтрация. Memory based подход
13.5. Коллаборативная фильтрация. Матричные факторизация
13.6. Коллаборативная фильтрация. Линейные модели
13.7. Коллаборативная фильтрация. Нейросетевые модели
13.8. Итоги
Модуль 14 - Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал
14.1. Введение
14.2. ML System Design - что это и отличия от System Design
14.3. Фреймворк дизайна ML системы
14.4. Пример дизайна - прогноз спроса
14.5. Пример дизайна - оптимизация маркетинга
14.6. Пример дизайна - подбор рекламы
14.7. Итоги
Модуль 15 - Проект
Встреча по доп. модулю + защита проектов
Для просмотра скрытого содержимого необходимо Войти или Зарегистрироваться.