Koneoppiminen ja syväoppiminen - kurssi 68 040 hieroa. SkillFactorysta, koulutus 20 viikkoa, Päivämäärä: 13.8.2023.

Kurssin "Machine Learning PRO" lyhyt ohjelma

Moduuli 1
Johdatus koneoppimiseen
Tutustumme koneoppimisen päätehtäviin ja menetelmiin, tutkimme käytännön tapauksia ja sovellamme ML-projektin työskentelyn perusalgoritmia
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi

Moduuli 2
Tietojen esikäsittelymenetelmät
Tutkimme tietotyyppejä, opimme puhdistamaan ja rikastuttamaan dataa, käyttämään visualisointia esikäsittelyssä ja hallitsemaan ominaisuuksia
Ratkaisemme yli 60 tehtävää aiheen vahvistamiseksi

Moduuli 3
Regressio
Hallitsemme lineaarisen ja logistisen regression, tutkimme sovellettavuuden rajoja, analyyttistä päättelyä ja regularisointia. Koulutusregressiomallit
Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi

Moduuli 4
Klusterointi
Hallitsemme oppimisen ilman opettajaa, harjoittelemme sen erilaisia ​​menetelmiä, työskentelemme tekstien kanssa ML: n avulla
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi

Moduuli 5
Puupohjaiset algoritmit: johdatus puihin
Tutustutaan päätöspuihin ja niiden ominaisuuksiin, hallitaan sklearn-kirjaston puita ja käytämme puita regressiotehtävän ratkaisemiseen

Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi

Moduuli 6
Puupohjaiset algoritmit: kokoonpanot
Tutkimme puuryhmien ominaisuuksia, harjoittelemme tehostamista, käytämme kokonaisuutta logistisen regression rakentamiseen
Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi
Osallistumme kaggle-kilpailuun puupohjaisen mallin kouluttamisesta

Moduuli 7
Algoritmien laadun arviointi
Tutkimme näytteiden jakamisen, ali- ja ylisovituksen periaatteita, arvioimme malleja eri laatumittareiden avulla, opimme visualisoimaan oppimisprosessia
Useiden ML-mallien laadun arviointi
Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi

Moduuli 8
Aikasarjat koneoppimisessa
Tutustutaan aikasarjaanalyysiin ML: ssä, masteroidaan lineaarisia malleja ja XGBoostia, tutkitaan ristiinvalidoinnin ja parametrien valinnan periaatteita
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi

Moduuli 9
Recommender-järjestelmät
Tutkimme suosittelujärjestelmien rakentamismenetelmiä, hallitsemme SVD-algoritmin, arvioimme opetetun mallin suositusten laatua
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi

Moduuli 10
Viimeinen hackathon
Käytämme kaikkia tutkittuja menetelmiä saadaksemme kagglen malliennusteiden maksimaalisen tarkkuuden

Kurssiohjelma "Deep Learning"

Moduuli 1
Johdatus keinotekoisiin hermoverkkoihin
Luomme hermoverkon Pythonissa käsin kirjoitettujen numeroiden tunnistamiseen

Moduuli 2
Syväoppimisen puitteet (TensorFlow, Keras)
Luomme kuvantunnistusmallin FashionMNIST-tietojoukon ja Keras-kehyksen pohjalta

Moduuli 3
Konvoluutiohermoverkot
Tunnistamme CIFAR-10-tietojoukossa olevat kuvat konvoluutiohermoverkon avulla

Moduuli 4
Neuroverkkojen optimointi
Verkkojen nopeuden ja suorituskyvyn parantaminen edellisen moduulin tapauksessa

Moduuli 5
Siirrä oppiminen ja hienosäätö
ImageNET-hermoverkon lisäkoulutus kuvan luokitteluongelman ratkaisemiseksi

Moduuli 6
Kuvan segmentointi
Neuraaliverkon suunnittelu COCO-tietojoukossa olevien ihmisten segmentoimiseksi

Moduuli 7
Objektin tunnistus
Koulutamme hermoverkkoa ratkaisemaan tunnistusongelman käyttämällä esimerkkiä tietojoukosta, jossa on brändilogot

Moduuli 8
Johdatus NLP- ja Word-upotuksiin
Neuraaliverkon luominen luonnollisen kielen kanssa työskentelemiseen

Moduuli 9
Toistuvat neuroverkot
Chatbotin luominen toistuvan hermoverkon perusteella

Moduuli 10
Vahvistusoppiminen
Agentin luominen Pongin pelaamiseen DQN-algoritmin perusteella

Moduuli 11
Mitä seuraavaksi?
Tutustutaan muihin hermoverkkojen sovellusalueisiin. GAN-hermoverkon luominen kuvan luomista varten