Machine Learning - kursus RUB 39.240. fra SkillFactory, træning 12 uger, Dato 13. august 2023.
Miscellanea / / December 02, 2023
Hvad består kurset af?
Kurset indeholder 10 moduler, mere end 500 øvelser til at forstærke materialet, træning i 10 maskinlæringsalgoritmer, 2 hackathons på kaggle, chat med fællesskabet og mentorsupport
Data Science specialiseringen består af kurser:
Python
Matematik&Stat
Maskinelæring
Dyb læring
Data Engineering
Ledelse
Færdighedstræning
Hvert emne er dækket af videoer, screencasts og noter og forstærket med snesevis af øvelser (tests, kodefejlfinding, kontrol af elevkode).
Fællesskab og mentor
I løbet af forløbet vil du ikke stå alene med vanskeligheder – ikke kun dine klassekammerater hjælper dig, men også kursusvejlederen.
Model træning
På kurset om hvert emne arbejder du med ML-modellen - finjuster, skab fra bunden, optimer, prøv forskellige metoder.
Introduktion til Machine Learning
— Vi stifter bekendtskab med de vigtigste opgaver og metoder for Machine Learning, studerer praktiske cases og anvender den grundlæggende algoritme til at arbejde på et ML-projekt
— Vi løser 50+ problemer for at konsolidere emnet
Dataforbehandlingsmetoder
— Vi studerer datatyper, lærer at rense og berige data, bruger visualisering til forbehandling og mestrer feature engineering
— Vi løser 60+ problemer for at konsolidere emnet
Regression
— Vi studerer datatyper, lærer at rense og berige data, mestrer lineær og logistisk regression, studerer grænserne for anvendelighed, analytisk inferens og regularisering
— Træning af regressionsmodeller
— Vi løser 40+ problemer for at konsolidere emnet
Klynger
— Vi mestrer læring uden lærer, øver dens forskellige metoder, arbejder med tekster ved hjælp af ML
— Vi løser 50+ problemer for at konsolidere emnet
Træbaserede algoritmer: en introduktion til træer
— At stifte bekendtskab med beslutningstræer og deres egenskaber, mestre træer fra sklearn-biblioteket og bruge træer til at løse et regressionsproblem
— Vi løser 40+ problemer for at konsolidere emnet
Træbaserede algoritmer: ensembler
— Vi studerer funktionerne ved træensembler, øver os i at booste, bruger ensemblet til at bygge logistisk regression
— Vi løser 40+ problemer for at konsolidere emnet
— Vi deltager i en konkurrence om kaggle til træning af en træbaseret model
Vurdering af kvaliteten af algoritmer
— Vi studerer principperne for prøveopdeling, under- og overtræning, evaluerer modeller ved hjælp af forskellige kvalitetsmålinger, lærer at visualisere læringsprocessen
— Vi vurderer kvaliteten af flere ML-modeller
— Vi løser 40+ problemer for at konsolidere emnet
Tidsserier i maskinlæring
— At blive bekendt med tidsserieanalyse i ML, mestre lineære modeller og XGBoost, studere principperne for krydsvalidering og parametervalg
— Vi løser 50+ problemer for at konsolidere emnet
Anbefalingssystemer
— Vi studerer metoder til at konstruere anbefalingssystemer, mestrer SVD-algoritmen, evaluerer kvaliteten af anbefalingerne fra den trænede model
— Vi løser 50+ problemer for at konsolidere emnet
Sidste hackathon
— Vi anvender alle de undersøgte metoder for at opnå maksimal nøjagtighed af modelforudsigelser på kaggle