Теория добычи данных и машинного обучения: основные принципы и алгоритмы



Теория добычи данных и машинного обучения: основные принципы и алгоритмы
Код: MO_36
Направление обучения: Управление данными (BigData, Machine learning)
Продолжительность: 5 дней/36 часов
Цена для физ. лиц: 17000 руб.
Цена для юр. лиц: 17000 руб.

Скачать прайс-лист (PDF)

Описание образовательной программы

Обработка больших объемов данных (Big Data) – трудоемкий процесс. Раньше, чтобы компьютер мог выполнить даже простую задачу, программист должен был написать подробный алгоритм действий. Но теперь можно не составлять инструкции, а настраивать компьютер так, чтобы он сам на основе предложенных данных искал закономерности и делал выводы. Этот процесс называется машинным обучением - machine learning.

Цель курса

Формирование и совершенствование знаний и навыков в области машинного обучения

Целевая аудитория

Специалисты, которым необходимо разобраться с возможностями машинного обучения, получить представление об алгоритмах машинного обучения, научиться выбирать правильный алгоритм для конкретной задачи

Необходимая подготовка

Базовый опыт работы с операционной системой Windows и офисными программными продуктами (Excel)

Содержание

  • Задачи, решаемые методами машинного обучения: практическое применение машинного обучения.
  • Модели и результаты машинного обучения: геометрические, вероятностные и логические модели. Группировка и ранжирование.
  • Признаки в моделях машинного обучения: отбор и преобразование признаков, взаимодействие между признаками.
  • Бинарная классификация и родственные задачи: оценка качества классификации и ранжирования, вероятности классов.
  • Многоклассовая классификация: регрессия, дескриптивные модели.
  • Концептуальное обучение: пространство гипотез, наименьшее обобщение, внутренняя дизъюнкция. Пространства гипотез и наиболее общие непротиворечивые гипотезы.
  • Древовидные модели: деревья решений, деревья ранжирования и оценивания вероятностей, чувствительность к распределению по классам, деревья регрессии, кластеризующие деревья.
  • Модели на основе правил: обучение упорядоченных списков правил и неупорядоченных множеств правил, дескриптивные модели на основе правил, правила для выявления подгрупп.
  • Линейные модели: метод наименьших квадратов, многомерная линейная регрессия, регуляризованная регрессия, перцептрон, метод опорных векторов, ядерные методы.
  • Метрические модели: классификация по ближайшему соседу, метрическая кластеризация, алгоритм К-средних, кластеризация вокруг медоидов, иерархическая кластеризация.
  • Вероятностные модели: нормальное распределение, вероятностные модели для категориальных данных, обучение наивной байесовской модели, оптимизация условного правдоподобия, скрытые переменные, ЕМ-алгоритм, модели на основе сжатия.
  • Ансамбли моделей: баггинг и случайные леса, усиление, карта ансамблевого ландшафта, смещение, дисперсия и зазоры, метаобучение

Получаемый документ

Удостоверение о повышении квалификации


Оставить отзыв
Об этом курсе отзывов пока нет. Будьте первым.

Расписание


Спецпредложения
Персональные цифровые сертификаты. Обучение для граждан
Самые востребованные направления. Удостоверение по результатам обучения
Пополните вашу корпоративную библиотеку электронными SCORM-курсами
Готовые курсы в СДО по MS Office 2013 и MS Project 2013. Специальное предложение!