Онлайн-курс
"Machine Learning"
Освойте самые востребованные алгоритмы машинного обучения за 10 занятий.
Набор на ближайший старт открыт.

Стоимость курса 5000 грн.
Мы разработали этот курс, чтобы помочь Вам погрузиться в мир машинного обучения
Начните разрабатывать собственные ML-модели прямо сейчас.
Регрессия
Вы освоите самые популярные алгоритмы ML — линейную и логистическую регрессию.
Нейронные сети
Вы самостоятельно разработаете с нуля и натренируете свою первую нейронную сеть.
Библиотеки на Python
Вы получите навыки использования библиотек Python для задач машинного обучения.
На кого рассчитан курс?
На тех, кто работает в IT и хочет расширить свои горизонты, познакомившись с машинным обучением.
На тех, кто имеет базовые знания про ML и хочет их систематизировать.
На тех, кто не планирует непосредственно реализовывать алгоритмы, но хочет понять, как они позволяют работать с данными (продакт-менеджеры, бизнес-аналитики).
Программа курса
1
Введение в машинное обучение.
Определение ML. Принципиальные отличия ML-алгоритмов от любых других алгоритмов. Классификация ML-алгоритмов и сферы их практического применения. Базовые понятия и концепции ML. Введение в Python. Библиотека sklearn для работы с ML.
2
Математический бэкграунд машинного обучения.
Введение в матрицы и матричные вычисления. Ускорение операций с данными путем их векторизации. Минимизация функций как основная математическая операция ML. Метод градиентного спуска. Подготовка входных данных для ML-алгоритмов.
3
Линейная регрессия.
Линейная регрессия как предсказательный алгоритм. Функция потерь (cost function) в линейной регрессии. Оценка точности предсказанного результата. Работа с многомерными данными.
4
Логистическая регрессия.
Логистическая регрессия как алгоритм классификации. Функция потерь в логистической регрессии. Оценка точности полученного классификатора. Работа с многомерными данными. Мультиклассовая логистическая регрессия.
5
Кластеризация.
Общие подходы к кластеризации данных. Алгоритмы k-means и c-means кластеризации. Оценка точности. Работа с многомерными данными.
6
Введение в нейронные сети.
Общая концепция нейронных сетей. Базовая терминология: нейроны, слои, активация, прямая и обратная связь. Логистическая регрессия как частный случай нейросети.
7
Классификация объектов с помощью нейронных сетей.
Функция потерь для нейронной сети. Различные активационные функции (sigmoid, tanh, ReLU), специфика их использования. Распространение ошибок внутри нейронной сети. Реализация алгоритмов forward & backward propagation. Оценка точности полученного классификатора. Работа с многомерными данными.
8
Тюнинг и контроль точности ML-алгоритмов.
Типичные проблемы ML-алгоритмов: high bias (underfitting) и high variance (overfititing). Тренировочный и тестовый наборы данных. Кривые обучаемости. Регуляризация ML-алгоритмов. Метрики для оценки точности ML-алгоритмов.
Лучшие условия для Вашего обучения
Гарантия качества
Вас будет обучать дипломированный специалист с многолетним опытом преподавания.
Бесплатная консультация
Получите личную 30-минутную консультацию у преподавателя совершенно бесплатно.
Обучение в режиме live
Вы можете напрямую задать преподавателю любые интересующие Вас вопросы.
10
аудиторных занятий
5+
самых популярных алгоритмов ML
5,000 грн.
полная стоимость курса
О преподавателе
Курс ведёт Александр Певзнер — физик-теоретик, Analytics Engineer в компании OWOX, в прошлом один из руководителей группы Data Science в компании Planexta.
Что говорят студенты
Освойте машинное обучение с нами
Стоимость курса 5000 грн.
Заявка на участие в курсе
Ваша заявка будет обработана в течение суток
Ваше имя
Ваши контактные данные
Если у Вас есть вопросы или комментарии, Вы можете указать их здесь
This site was made on Tilda — a website builder that helps to create a website without any code
Create a website