Курс "Машинное обучение на Python, часть 2"

Код: EDU-Python-20
Специализация: Авторские курсы: Свободное ПО/Open Source

Продолжительность - 5 дней

Машинное обучение — это подраздел искусственного интеллекта (ИИ) и науки о данных, специализирующийся на использовании данных и алгоритмов для имитации процесса наработки опыта человеком с постепенным повышением точности.

На курсе "Машинное обучение на Python, часть 2" слушатели продолжат знакомиться: с основными алгоритмами машинного обучения и их прикладного применения с использованием языка Python.

Прослушав данный курс, Вы научитесь:

• Применять ансамблевое обучение и случайные леса
• Применять метод главных компонент
• Применять метод обучения на базе многообразий
• Применять алгоритм кластеризации методом k-средних
• Применять алгоритм смеси Гауссовых распределений
• Применять алгоритм ядерной оценки плотности распределения

Узнаете:

• Что такое беггинг, бустинг, стекинг
• Как использовать метод главных компонент
• Как использовать кластеризацию методом k-средних, на примерах
• Как применять алгоритм смеси Гауссовых распределений как метод оценки плотности распределения
• Как использовать ядерную оценку плотности распределения на практике

Аудитория: начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science.

Предварительный уровень подготовки: Опыт программирования на языке Python и знание основных библиотек Python для научных расчетов: Numpy, Pandas, Matplotlib. Понимание разделов математики: теория вероятности, статистика, математический анализ, линейная алгебра.

Курсы, рекомендуемые для предварительного прохождения:

• Программирование на Python, часть 1
• Программирование на Python, часть 2
• Программирование на Python, часть 3. Numpy для Data Science
• Программирование на Python, часть 4. Pandas для Data Science. Высокопроизводительная обработка и анализ данных в Pandas
• Математика для Data Science, часть 1. Теория вероятностей и статистика
• Математика для Data Science, часть 2. Математический анализ и линейная алгебра
• Машинное обучения на Python, часть 1

Программа курса

1 Алгоритм: Ансамблевое обучение и случайные леса

1.1 Классификаторы с голосованием

1.1.1 Беггинг и вставка

1.1.2 Беггинг и вставка в Scikit-Learn

1.1.3 Оценка на неиспользуемых образцах

1.2 Методы случайных участков и случайных подпространств

1.3 Случайные леса

1.3.1 Особо случайные леса

1.3.2 Значимость признаков

1.4 Бустинг

1.5 Стекинг

1.6 Разбор прикладной задачи: использование случайного леса для классификации цифр

2 Алгоритм: метод главных компонент

2.1 Знакомство с методом главных компонент

2.2 Использование метода PCA для фильтрации шума

2.3 Пример: метод Eigenfaces

3 Алгоритм: обучение на базе многообразий

3.1 Обучение на базе многообразий: HELLO

3.2 Многомерное масштабирование (MDS)

3.3 MDS как обучение на базе многообразий

3.4 Нелинейные вложения: там, где MDS не работает

3.5 Нелинейные многообразия: локально-линейное вложение

3.6 Применение методов обучения на базе многообразий

3.7 Разбор прикладной задачи: визуализация структуры цифр

4 Алгоритм: кластеризация методом k-средних

4.1 Знакомство с методом k-средних

4.2 Алгоритм k-средних: максимизация математического ожидания

4.3 Примеры использования кластеризация методом k-средних

5 Алгоритм: смеси Гауссовых распределений

5.1 Причины появления GMM: недостатки метода k-средних

5.2 Обобщение EM-модели: смеси Гауссовых распределений

5.3 GMM как метод оценки плотности распределения

5.4 Пример: использование метода GMM для генерации новых данных

6 Алгоритм: ядерная оценка плотности распределения

6.1 Обоснование метода KDE: гистограммы

6.2 Ядерная оценка плотности распределения на практике

6.3 Пример: KDE на сфере

6.4 Пример: не столь наивный Байес

В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения.

Свободно распространяемое программное обеспечение популярно как среди частных лиц, так и среди организаций. Действительно, СПО позволяет серьезно экономить на приобретении лицензий для компаний, которые многократно тиражируют программное решение. Также благодаря тому, что СПО можно квалифицированно дорабатывать собственными силами под конкретные нужды организации, оно приобретает еще и дополнительную гибкость и удобство в использовании.

Открытое программное обеспечение — это программное обеспечение с открытым исходным кодом. Исходный код создаваемых программ открыт, то есть доступен для просмотра и изменения. Это позволяет использовать уже созданный код для создания новых версий программ, для исправления ошибок и, возможно, помочь в доработке открытой программы.

В конце обучения на курсах проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненные в процессе обучения.

Учебный центр "Интерфейс" оказывает консалтинговые услуги по построению моделей бизнес-процессов, проектированию информационных систем, разработке структуры баз данных и т.д.

• Нужна помощь в поиске курса?
  Наша цель заключается в обеспечении подготовки специалистов, когда и где им это необходимо. Возможна корректировка программ курсов по желанию заказчиков! Мы расскажем Вам о том, что интересует именно Вас, а не только о том, что жестко зафиксировано в программе курса. Если вам нужен курс, который вы не видите на графике или у нас на сайте, или если Вы хотите пройти курс в другое время и в другом месте, пожалуйста, сообщите нам, по адресу mail@interface.ru или shopadmin@itshop.ru
• Поговорите со своим личным тренинг-менеджером!
  Мы предоставляет Вам индивидуальное обслуживание. Если у вас есть потребность обсудить, все вопросы касательно обучения, свяжитесь, пожалуйста c нами по телефонам: +7 (495) 925-0049, + 7 (495) 229-0436. Или любым другим удобным для Вас средствами связи, которые Вы можете найти на сайтах www.interface.ru или www.itshop.ru