Machine Learning

Програма курсу

Курс з машинного навчання побудований за принципом від простого до складного. Кожен модуль логічно випливає з попереднього.

Модуль 1: Основи та інструменти

На першому модулі студенти розбираються з базовими поняттями машинного навчання. Вони дізнаються про різні типи навчання та отримують практичні навички роботи з Python. Основна увага приділяється основним бібліотекам - NumPy, SciPy та Pandas, які стануть основним інструментом у подальшій роботі.

Модуль 2: Робота з даними

Другий модуль присвячений підготовці даних до аналізу. Тут навчаються збирати, імпортувати та очищати дані. Студенти вчаться обробляти пропуски та викиди, а також візуалізувати інформацію для кращого розуміння. Окремо розглядається робота з географічними даними.

Модулі 3-4: Класичні методи ML

Третій та четвертий модулі охоплюють основні алгоритми машинного навчання. Спочатку вивчається лінійна регресія - від теорії до практичного застосування в аналізі часових рядів. Потім переходять до класифікації: дерева рішень, випадковий ліс, градієнтний бустінг та інші ансамблеві методи. Важливою частиною є оцінка та валідація якості побудованих моделей.

Модуль 5: Кластеризація та аналіз

П'ятий модуль розкриває методи кластеризації та зменшення розмірності даних. Студенти працюють з алгоритмом PCA, аналізують текстові та відкриті дані. Для візуального аналізу використовується інструмент Orange, що дозволяє краще розуміти структуру даних.

Модуль 6: Глибинне навчання

Шостий модуль повністю присвячений нейронним мережам. Він починається з основ штучних нейронів та механізмів навчання. Потім детально розбираються складні архітектури - згорткові мережі для роботи з зображеннями, рекурентні мережі для послідовностей, автоенкодери та трансформери.

Модуль 7: Оптимізація результатів

Сьомий модуль вчить аналізувати та покращувати результати роботи алгоритмів. Тут розглядаються методи діагностики помилок навчання, аналіз кривих навчання та порівняння з людською точністю. Особлива увага приділяється правильному розподілу даних на навчальні та тестові вибірки.

Модуль 8: Розширені техніки

Восьмий модуль охоплює додаткові методи машинного навчання. Він включає асоціативні правила, генетичні алгоритми, нечітку логіку та навчання з підкріпленням. Ці технології розширюють арсенал інструментів для вирішення складних завдань.

Практична частина

Курс включає серію лабораторних робіт з індивідуальними консультаціями. Кожне завдання закріплює теоретичний матеріал - від підготовки даних до створення складних нейронних мереж. Лектор демонструє рішення на власних прикладах та допомагає студентам у разі труднощів.

Додаткові можливості

Окрім основної програми, курс містить заняття з технічної англійської для роботи з професійною літературою. Також проводиться кар'єрна консультація з рекрутером, який допомагає підготувати резюме та профіль в LinkedIn для пошуку роботи.

Вхідні вимоги

Для успішного проходження курсу потрібно знати Python на середньому рівні, розуміти основи статистики та мати досвід роботи з бібліотеками NumPy, SciPy, Pandas, Matplotlib та Seaborn.

Переваги навчання

Курс пропонує гнучкий графік лекцій, практичну спрямованість та навчання в невеликих групах. Випускники отримують сертифікат про закінчення, а найкращим студентам пропонують контракт з IT-компанією.