Введение в машинное обучение и анализ данных

Основы машинного обучения: нейронные сети, классификация, регрессия, обзор алгоритмов (KNN, деревья решений) и их применение.
Для всех RU
Записаться
Объём
36 час.
Длительность
30 дней
Нагрузка
9 час.
Формат обучения
Дистанционно (самостоятельно)
Описание Учебный курс посвящен введению в машинное обучение и анализ данных и знакомит с базовыми принципами этой области. Рассматриваются машинное обучение в контексте технологической революции, искусственные нейронные сети, формальная постановка задач классификации и регрессии, обзор и принципы работы ключевых алгоритмов — KNN, линейная и полиномиальная регрессия, деревья решений. Материал адресован студентам, аналитикам и разработчикам, начинающим путь в машинном обучении.
Цели
  • Сформировать понимание базовых принципов машинного обучения.
  • Развить умение применять простые алгоритмы для задач классификации и регрессии.
  • Подготовить к знакомству с архитектурой нейронных сетей.
Чему я научусь?
  • Описывать формальную постановку задачи машинного обучения.
  • Применять KNN, линейную и полиномиальную регрессию.
  • Использовать деревья решений для задач классификации.
  • Объяснять устройство искусственных нейронных сетей.

Авторы

Бекларян Армен
Чему я научусь?
  • Описывать формальную постановку задачи машинного обучения.
  • Применять KNN, линейную и полиномиальную регрессию.
  • Использовать деревья решений для задач классификации.
  • Объяснять устройство искусственных нейронных сетей.

Учебный план

№ Занятия
Экзамен экстерном Внимание! Экзамен экстерном не обязательный для сдачи. При желании вы можете его пройти, если хотите подтвердить свои знания по данному курсу без его изучения или поверить свои знания по нему. Экзамен экстерном можно сдать только один раз.
1 Машинное обучение и новая технологическая революция. Часть 1 Материал представляет собой вводную лекцию, задающую рамки для понимания машинного обучения (МО). В ней раскрывается место... Материал представляет собой вводную лекцию, задающую рамки для понимания машинного обучения (МО). В ней раскрывается место МО в современном мире, его связь с «хайповым» искусственным интеллектом (ИИ) и их ключевое различие. Лекция выстроена от общего к частному: сначала дается обзор практических применений и экономических выгод, затем — хронология ключевых достижений (от шахмат до Dota 2), демонстрирующая экспоненциальный рост возможностей. Кульминацией является анализ результатов нейросети ImageNet, показавшей превосходство над человеком в задаче распознавания образов, что иллюстрирует переход от теории к реальным прорывам. ещё 84 мин
2 Машинное обучение и новая технологическая революция. Часть 2 В лекции рассматриваются фундаментальные предпосылки, обеспечившие стремительное развитие искусственного интеллекта: рост объемов данных, прогресс в математических... В лекции рассматриваются фундаментальные предпосылки, обеспечившие стремительное развитие искусственного интеллекта: рост объемов данных, прогресс в математических алгоритмах и эволюция микроэлектроники. Далее раскрывается понятийный аппарат науки о данных и место в ней машинного обучения. Основной фокус сделан на разборе принципов обучения с учителем: от постановки задачи и роли размеченных данных до построения прогностических моделей. Приводятся примеры практических бизнес-задач и обсуждаются вызовы работы с неструктурированной информацией. ещё 72 мин
3 Искусственные нейронные сети. Часть 1 В лекции раскрывается устройство и принцип работы искусственных нейронных сетей (ИНС). Материал начинает с биологических аналогий... В лекции раскрывается устройство и принцип работы искусственных нейронных сетей (ИНС). Материал начинает с биологических аналогий и архитектуры перцептрона, объясняя роль весов и функций активации. Далее логика изложения ведет к глубоким сетям и их отличиям. Завершающая часть посвящена ключевым проблемам машинного обучения — недообучению и переобучению, а также критериям выбора между классическими алгоритмами и нейросетями в зависимости от сложности задачи и требований к интерпретируемости результата. ещё 75 мин
4 Искусственные нейронные сети. Часть 2 В лекции рассматриваются ключевые риски и методологические подходы при реализации проектов в области анализа данных и... В лекции рассматриваются ключевые риски и методологические подходы при реализации проектов в области анализа данных и машинного обучения. Изложение строится от общего к частному: сначала анализируются ограничения глубокого обучения и проблемы, связанные с качеством данных. Затем подробно разбирается методология CRISP-DM как межотраслевой стандарт управления проектами. Завершается материал обзором ролей специалистов в команде и необходимых компетенций. ещё 75 мин
5 Базовые принципы машинного обучения В лекции рассматривается фундаментальная задача машинного обучения: как научить компьютер решать задачи, для которых нет явной... В лекции рассматривается фундаментальная задача машинного обучения: как научить компьютер решать задачи, для которых нет явной формулы (в отличие от перевода часов в минуты). На примерах предсказания прибыли ресторана и классификации фруктов объясняется, как модель обучается на исторических данных, используя функцию потерь для оценки точности. Логика изложения ведет от простых линейных моделей к сложным, демонстрируя компромисс между точностью и способностью модели к обобщению. ещё 108 мин
Тест 1 для курса # 52396 для курса Введение в машинное обучение и анализ данных 40 мин
6 Описание задачи классификации В лекции рассматриваются фундаментальные принципы машинного обучения: от постановки задачи и работы с признаками до оценки... В лекции рассматриваются фундаментальные принципы машинного обучения: от постановки задачи и работы с признаками до оценки качества моделей. Изложение строится вокруг идеи поиска баланса между точностью и обобщающей способностью алгоритма. На примере простых линейных моделей демонстрируется расчет ошибок (MSE, RMSE) и логика подбора коэффициентов. Далее вводится понятие линейного классификатора, решающих деревьев и нейронных сетей, а завершается материал обзором практических применений — от рекомендательных систем до переноса стиля. ещё 69 мин
Тест 2 для курса # 52396 для курса Введение в машинное обучение и анализ данных 40 мин
7 Успехи в области специализированного искусственного интеллекта. Часть 1 В лекции рассматриваются современные достижения машинного обучения на примере конкретных кейсов. Изложение строится от наглядных побед... В лекции рассматриваются современные достижения машинного обучения на примере конкретных кейсов. Изложение строится от наглядных побед алгоритмов над человеком (AlphaGo, Watson) к анализу принципов их работы, таких как обучение с подкреплением. Далее раскрывается роль открытого ПО и рассматриваются прикладные направления: рекомендательные системы и генеративные модели. Логика повествования ведет от констатации успехов к постановке новых этических вопросов и вызовов, возникающих в связи с прогрессом технологий. ещё 93 мин
8 Успехи в области специализированного искусственного интеллекта. Часть 2 В лекции рассматриваются практические аспекты применения машинного обучения (Machine Learning, ML) в современном бизнесе и творчестве.... В лекции рассматриваются практические аспекты применения машинного обучения (Machine Learning, ML) в современном бизнесе и творчестве. Изложение строится от общих принципов к конкретным кейсам: сначала анализируются творческие инструменты и рекомендательные системы, затем — автоматизация бизнес-процессов, и наконец — применение в праве, экономике и управлении персоналом. Логика повествования раскрывает, как алгоритмы переходят от рутинных задач к решению сложных аналитических проблем. ещё 120 мин
9 Формальная постановка задачи машинного обучения В лекции рассматриваются фундаментальные принципы машинного обучения. Изложение начинается с базового определения дисциплины и обзора типов... В лекции рассматриваются фундаментальные принципы машинного обучения. Изложение начинается с базового определения дисциплины и обзора типов признаков данных, среди которых особое внимание уделяется категориальным. Подробно разбираются методы их кодирования в числовой вид, включая технику one-hot encoding и модель «мешок слов». Далее вводится классификация задач обучения с учителем и без, рассматриваются критерии оценки качества моделей и проблема переобучения. Завершается материал практическими рекомендациями по формализации бизнес-задач для их успешного решения методами машинного обучения. ещё 96 мин
Тест 3 для курса # 52396 для курса Введение в машинное обучение и анализ данных 40 мин
10 Алгоритм KNN (k ближайших соседей) В материале рассматривается работа алгоритма k-ближайших соседей (k-NN) для задачи классификации. На простом примере с фруктами...

В материале рассматривается работа алгоритма k-ближайших соседей (k-NN) для задачи классификации. На простом примере с фруктами объясняется логика работы: от признаков объекта (сладость, кислость) к его классу (тип фрукта). Излагается принцип расчета евклидова расстояния от нового объекта до всех известных, сортировка по близости и выбор класса на основе большинства среди k ближайших соседей. Подчеркивается, что алгоритм универсален и может применяться к данным с большим числом признаков.

 ещё 		48 мин
11 Линейная и полиномиальная регрессия. Корреляционный анализ В лекции рассматривается модель линейной регрессии как базовый инструмент predictive analytics. Материал построен от простого к... В лекции рассматривается модель линейной регрессии как базовый инструмент predictive analytics. Материал построен от простого к сложному: сначала разбирается математическая суть метода наименьших квадратов (МНК) для подбора коэффициентов прямой, затем демонстрируются способы автоматизации расчетов в Excel (функции, графики, Пакет анализа). Далее автор переходит к обобщению: показывает нелинейные типы трендов (полиномиальный, экспоненциальный, синусоидальный) и объясняет логику выбора модели. В завершение рассматриваются методы визуальной оценки корреляций между несколькими переменными с помощью графиков рассеивания. ещё 90 мин
12 Полная классификация алгоритмов машинного обучения В лекции систематизируются основные подходы и алгоритмы машинного обучения (МО), показывается их место в иерархии искусственного... В лекции систематизируются основные подходы и алгоритмы машинного обучения (МО), показывается их место в иерархии искусственного интеллекта. Изложение строится от общего к частному: сначала дается классификация методов обучения (с учителем, без учителя, с подкреплением, ансамбли, нейронные сети), затем подробно разбираются ключевые алгоритмы каждого класса — от наивного Байеса и деревьев решений до метода k-средних, DBSCAN и латентно-семантического анализа. Особое внимание уделяется практическим аспектам: интерпретируемости, проблеме переобучения, выбору модели и предобработке данных. ещё 114 мин
13 Полная классификация алгоритмов машинного обучения В материале рассматриваются ключевые подходы машинного обучения. Изложение строится от простого к сложному: сначала описываются задачи... В материале рассматриваются ключевые подходы машинного обучения. Изложение строится от простого к сложному: сначала описываются задачи поиска ассоциативных правил и обучение с подкреплением на бытовых примерах. Затем разбираются принципы ансамблирования моделей (стекинг, бэггинг, бустинг) как способ повышения точности. Основной блок посвящен нейронным сетям: от архитектуры перцептрона и функций активации до разновидностей (сверточные, рекуррентные) и их прикладного применения в распознавании образов и синтезе речи. ещё 51 мин
14 Обзор принципов работы основных алгоритмов машинного обучения. Часть 1 В материале рассматривается базовый принцип работы алгоритмов машинного обучения: как машина находит закономерности в данных, которые... В материале рассматривается базовый принцип работы алгоритмов машинного обучения: как машина находит закономерности в данных, которые человек не может выявить вручную. Логика изложения строится от простого к сложному: сначала разбирается интуитивно понятный метод ближайших соседей, затем анализируются проблемы переобучения и недообучения. Далее раскрываются принципы оценки качества моделей, настройки их параметров с помощью кросс-валидации и выбора метрики расстояния. Завершается материал обобщением универсального цикла решения задач анализа данных. ещё 84 мин
15 Обзор принципов работы основных алгоритмов машинного обучения. Часть 2 В лекции рассматривается эволюция алгоритмов машинного обучения: от простой линейной классификации к нейронным сетям и деревьям... В лекции рассматривается эволюция алгоритмов машинного обучения: от простой линейной классификации к нейронным сетям и деревьям решений. Изложение строится по принципу усложнения задач и поиска баланса между точностью и обобщающей способностью. Сначала вводится понятие гиперплоскости и оптимального зазора между классами, затем демонстрируется, как комбинация линейных моделей с нелинейными функциями приводит к появлению нейросетей. Далее разбираются принципы автоматического построения деревьев, их критерии качества, методы борьбы с переобучением и логика построения ансамблей. ещё 54 мин
Тест 4 для курса # 52396 для курса Введение в машинное обучение и анализ данных 40 мин
Тест для курса # 47216 для курса Введение в машинное обучение и анализ данных 40 мин
Тренировочный экзамен Внимание! Тренировочный экзамен экстерном не обязательный для сдачи. При желании вы можете его пройти, если хотите проверить свои знания курса перед сдачей экзамена. Тренировочный экзамен можно сдавать сколько угодно один раз.
Экзамен
^