Онлайн-курс
"Machine Learning"
"Machine Learning"
Опануйте найпопулярніші алгоритми машинного навчання за 10 занять.
Старт навчання 16 травня 2022 р.
Старт навчання 16 травня 2022 р.
Ми розробили цей курс, щоб допомогти Вам зануритися у світ машинного навчання
Почніть розробляти власні ML-моделі тут і зараз.
Регресія
Ви опануєте найпопулярніші алгоритми ML — лінійну і логістичну регресію.
Нейронні мережі
Ви самостійно розробите з нуля та натренуєте вашу першу нейронну мережу.
Бібліотеки на Python
Ви одержите навички використання бібліотек Python для задач машинного навчання.
Кому підійде цей курс?
(Спойлер: якщо ви розробник, аналітик,
продакт-менеджер – вам сюди)
продакт-менеджер – вам сюди)
- Тим, хто працює в IT і хоче розширити свої межі, познайомившись із машинним навчанням на практиці.
- Тим, хто вже має базові знання про ML та хоче їх систематизувати.
- Тим, хто не планує реалізовувати ML-алгоритми власноруч, але хоче зрозуміти, як вони дозволяють працювати з даними.
Програма навчання
- 1Введення до машинного навчання.Визначення ML. Принципові відмінности ML-алгоритмів від будь-яких інших алгоритмів. Класифікація ML-алгоритмів та галузі їхнього практичного застосування. Базові поняття та концепції ML. Введення до Python. Бібліотека sklearn для роботи з ML.
- 2Математичний бекграунд машинного навчання.Введення до матриць та матричних обчислень. Прискорення операцій із даними шляхом їхньої векторизації. Мінімізація функцій як основна математична операція ML. Метод градієнтного зниження. Підготовка вхідних даних для ML-алгоритмів.
- 3Лінійна регресія.Лінійна регресія як алгоритм для передбачення. Функція втрат (cost function) у лінійній регресії. Оцінка точності передбаченого результату. Робота з багатовимірними даними.
- 4Логістична регресія.Логістична регресія як алгоритм класифікації. Функція втрат у логістичній регресії. Оцінка точності одержаного класифікатора. Робота з багатовимірними даними. Мультикласова логістична регресія.
- 5Кластеризація.Загальні підходи до кластеризації даних. Алгоритми кластеризації k-means і c-means. оцінка точності. Робота з багатовимірними даними.
- 6Введення до нейронних мереж.Загальна концепція нейронних мереж. Базова термінологія: нейрони, нейронні шари, активація, прямий та зворотний зв'язок. Логістична регресія як окремий випадок нейромережі.
- 7Класифікація об'єктів за допомогою нейронних мереж.Функція втрат для нейронної мережі. Різноманітні активаційні функції (sigmoid, tanh, ReLU), специфіка їхнього використання. Поширення похибок всередині нейронної мережі. Реалізація алгоритмів forward & backward propagation. Оцінка точності одержаного класифікатора. Робота з багатовимірними даними.
- 8Тюнінг та контроль точності ML-алгоритмів.Типові проблеми ML-алгоритмів: high bias (underfitting) і high variance (overfititing). Тренувальний та тестовий набори даних. Криві навчання. Регуляризація ML-алгоритмів. Метрики для оцінки точності ML-алгоритмів.
- 9[Бонус] Застосування ML-алгоритмів без програмування.Використання Google Cloud AI Platform. Прогнозування табличних значень та розпізнавання зображень без програмування.
Найкращі умови для Вашого навчання
Гарантія якості
Вас навчатиме спеціаліст-практик із багаторічним досвідом викладання.
Навчання в режимі live
Ви можете безпосередньо задавати викладачу будь-які питання.
Повернення коштів
Гарантуємо повернення коштів після
1-го заняття, якщо Вас не влаштує курс.
1-го заняття, якщо Вас не влаштує курс.
10
занять
5+
найпопулярніших алгоритмів ML
4,000 грн.
вартість навчання
Що кажуть випускники
Опануйте машинне навчання з нами
Заявка на участь у курсі
Ваша заявка буде опрацьована протягом доби.
