Машинное обучение становится неотъемлемым навыком для разработчиков и аналитиков всех секторов и сфер бизнеса. Не смотря на это специалистов, которые умеют решать задачи с помощью машинного обучения, на рынке до сих пор очень мало и они очень высоко ценятся. На этом курсе мы дадим представление об основных задачах, которые с успехом решают различные алгоритмы машинного обучения, и научимся реализовывать их на практике.
1. Теоретическая часть
- основы линейной алгебры и теории вероятности
- задачи, которые решает машинное обучение
- метод ближайшего соседа и его обобщения
- линейные модели для задач регрессии, сложность моделей и их регуляризация
- подбор гиперпараметров, кросс-валидация
- линейные модели для задач классификации, метод опорных векторов и ядерные функции
- деревья решений и их композиция
- основы нейронных сетей
2. Практическая часть
- применение изученных методов на практике
- решение тестовых задач в среде iPython
