Machine Learning Pro и Deep Learning

Machine Learning vs Deep Learning - в чем разница?! Как подобрать нужный алгоритм?
"Потрогаем руками" все алгоритмы и разберемся на практике - где нужны Нейронные сети, а где достаточно классических алгоритмов. Комплексный подход, организованный в бандле "Machine Learning Pro + Deep Learning", подойдет для тех, кто хочет прокачаться в программировании глубоких нейронных сетей и моделей машинного обучения. Прохождение курсов потребует базового знания языка Python. В процессе обучения вы освоите все классические алгоритмы Машинного обучения,от деревьев до рекомендательных систем, а также научитесь создавать различные нейронные сети. Вас ждут хакатоны и in class соревнования на kaggle!

Краткая программа курса «Machine Learning PRO»

Модуль 1: Введение в машинное обучение
Знакомимся с основными задачами и методами machine learning , изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
Решаем 50+ задач на закрепление темы

Модуль 2: Методы предобработки данных
Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
Решаем 60+ задач на закрепление темы

Модуль 3: Регрессия
Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
Решаем 40+ задач на закрепление темы

Модуль 4: Кластеризация
Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
Решаем 50+ задач на закрепление темы

Модуль 5: Tree-based алгоритмы: введение в деревья
Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
Решаем 40+ задач на закрепление темы

Модуль 6: Tree-based алгоритмы: ансамбли
Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
Решаем 40+ задач на закрепление темы
Участвуем в соревновании на kaggle по обучению tree-based модели

Модуль 7: Оценка качества алгоритмов
Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
Оцениваем качество нескольких моделей ML
Решаем 40+ задач на закрепление темы

Модуль 8: Временные ряды в машинном обучении
Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
Решаем 50+ задач на закрепление темы

Модуль 9: Рекомендательные системы
Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
Решаем 50+ задач на закрепление темы

Модуль 10: Финальный хакатон
Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle

Программа курса «Deep Learning»

Модуль 1: Введение в искусственные нейронные сети
Создаем нейронную сеть для распознавания рукописных цифр на языке Python

Модуль 2: Фреймворки для глубокого обучения (TensorFlow, Keras)
Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras

Модуль 3: Сверточные нейронные сети
Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети

Модуль 4: Оптимизация нейронной сети
Улучшаем скорость и производительность сетей для кейса предыдущего модуля

Модуль 5: Transfer learning & Fine-tuning
Дообучение нейронной сети ImageNET для решения задачи классификации изображений

Модуль 6: Сегментация изображений
Проектируем нейронную сеть для сегментации людей в датасете COCO

Модуль 7: Детектирование объектов
Обучаем нейросеть решать задачу детекции на примере датасета с логотипами брендов

Модуль 8: Введение в NLP и Word Embeddings
Создаем нейросеть для работы с естественным языком

Модуль 9: Рекуррентные нейронные сети
Создаем чат-бота на базе рекуррентной нейросети

Модуль 10: Reinforcement Learning (обучение с подкреплением)
Создаем агента для игры в Pong на основе DQN алгоритма

Модуль 11: What's next?
Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений