Этот курс охватывает алгоритмы, которые используются, когда известна целевая переменная, которая должна быть предсказана. Он начинается с простого KNN и заканчивается полностью подключенными нейронными сетями с прямой связью. Правильное тестирование модели необходимо для создания надежного продукта. Студенты знакомятся с различными методами и параметрами тестирования, которые помогают строить обобщенные и устойчивые модели.
Учебный план
09:00 — 12:00
Что будете изучать:
● Метод k-ближайших соседей;
● Модели на основе деревьев;
● Ансамблевые методы;
● Adaboost;
● XGBoost;
● Метод опорных векторов (SVM);
● Введение в нейронные сети;
● Рекомендательные системы;
● Коллаборативная фильтрация.
Что будете уметь:
● Опыт понимания и использования линейных /нелинейных моделей;
● Глубокое понимание моделей обучения c учителем и без, как пример линейная регрессия, логистическая регрессия, SVM, кластеризация и К ближайших соседей;
● Представление о том, как на самом деле работает магия нейронных сетей, и сможете написать их самостоятельно;
● Создание воспроизводимых machine learning pipelines;
● Опыт применения изученых методов для решения реальных проблем;
● Опыт построения API моделей машинного обучения
Немає коментарів
Додати коментар Підписатись на коментаріВідписатись від коментарів