logo

ITechResearch

Машинное обучение

595 000 ₸
Выделено 2 Квот

Формирование у обучающихся представления об основных принципах обучения с учителем и без учителя, умение применять алгоритмы машинного обучения на практике, например в проектировании роботов (восприятие, контроль), анализе текстов (онлайн поиск, анти-спам), компьютерном зрении, медицинских информационных системах, обработке аудио, интеллектуальном анализе баз данных и других областях.Научитесь применять ансамблевые методы, стекинг, бэггинг, бустинг. Сможете использовать лучшие практики обучения моделей, генерации дополнительных данных, мониторинга и пайплайна ML-разработки, а также Kaggle-соревнований

Особые условия

Для участия в обучении в IT школе требуется внести гарантийный взнос в размере 50 000 тенге. Гарантийный взнос является обязательным и не возвращается в случае невыполнения студентом своих обязательств по учебному процессу: таких как пропуск занятий, несоблюдение учебного расписания, несвоевременное выполнение заданий или другие нарушения. При успешном завершении курса гарантийный взнос возвращается.

Детали курса

Уровень

Для всех

Формат обучения

Онлайн

Старт

Сентябрь

Вступительные экзамены

Нет

Длительность, в неделях

28

Длительность в академических часах

112

Язык обучения

Русский

Дни проведений занятий

Пн-Пт

Методика обучения

Практики больше, чем теории

Квалификация

Junior (Strong) специалист по машинному обучению

Формат проведения занятий

Уроки в онлайн-режиме 2 раза в неделю по 2 часа

Навыки


Интерпретировать задачи машинного обучения, основные принципы обучения с учителем/без учителя.

Извлечение данных из различных источников (чтение из файлов, API, базы данных)

Сравнивать задачи классификации и задачи регрессии.

Иллюстрировать задачи классификации (бинарной и множественной).

Сравнивать наиболее известные классификаторы (логистическая регрессия, деревья решений, случайный лес, метод опорных векторов).

Применять различные виды классификаторов для решения практических задач.

Объяснять необходимость применения кросс-валидации.

Интерпретировать задачу кластеризации.

Применять на практике основные алгоритмы кластеризации (k-means и иерархические методы) и метод главных компонент (PCA).

Визуализация данных с помощью Pandas, Matplotlib

Feature Engineering: оценка значимости фичей, отбор признаков, методы уменьшения размерности

Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов).

Применять нейронные сети для решения практических задач.

Частые вопросы

Похожие курсы

Другие курсы от ITechResearch