Теория добычи данных и машинного обучения: основные принципы и алгоритмы

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


К сожалению, в этом курсе нет ближайших дат для бронирования, но вы можете запросить информацию.

Курс доступен в следующих пакетах:

Спецпредложения
Управление в проектной среде
Электронные курсы для руководителей проектов
Инструменты аналитики: Power BI, SQL, Python
Для аналитиков, руководителей, менеджеров