Контакты

г. Барнаул, ул. Пролетарская 117
+7 (3852) 571-576
+7 (923) 167-21-22
+7 (923) 167-21-22

Социальные сети

Реквизиты

Расчетный счет 30301810000006000001
Кор. счет 30101810400000000225 в Главном управлении Центрального банка Российской Федерации по Центральному федеральному округу г. Москва (ГУ Банка России по ЦФО)
БИК 044525225
КПП 773601001
ИНН 7707083893


Презентация курса "Машинное обучение"

21
Сентября
18:30
Пролетарская 117
21 сентября 18.30 в пространстве Digital Space пройдет презентация курса + первое занятие курса «Машинное обучение: Курс молодого бойца» от руководителя компании Miramind Technology ( https://miramind.tech/) Якова Филина

Искусственный интеллект будет определять наше будущее сильнее, чем любое другое нововведение века. Те, кто не понимает этого, скоро начнет чувствовать себя позади, просыпаясь в мире технологий, который все больше и больше напоминает магию. 

Одним из подразделов искусственного интеллекта является машинное обучение. Его цель - позволить компьютерам самостоятельно учиться, набираться опыта и давать предсказания. Алгоритмы машинного обучения позволяют изучать различные типы данных, строить модели и предсказывать вещи без явно запрограммированных заранее правил и моделей. Чтобы профессионально овладеть этими технологиями, нужно научиться пользоваться «волшебной палочкой» – алгоритмами и языком программирования. 

В ходе данного курса мы рассмотрим основные алгоритмы машинного обучения, подходы, применяемые при анализе данных и рассмотрим их на реальных задачах. К окончанию курса вы сможете самостоятельно описать, как такие модели работают на концептуальном уровне и получите инструмент для самостоятельного создания «интеллектуальных» приложений. 

Почему именно сейчас стоит начать заниматься машинным обучением можно узнать в исследовании:
https://www.jetbrains.com/research/data-science-in-ru..

План курса: 

1. Основные понятия и типы задач машинного обучения. Язык Python. Библиотека Pandas. 
2. Байесовские методы в машинном обучении. Метрическая классификация. 
3. Линейные модели классификации и регрессии. Оптимизация алгоритмов 
4. Решающие деревья. Композиция: бэггинг и случайный лес. 
5. Методы работы с признаками. Создание хороших наборов данных. 
6. Алгоритмы обучения без учителя. Сжатие данных (PCA, LDA). 
7. Методы оценки моделей и тонкая настройка. 
8. Градиентный бустинг. 

В ходе прохождения курса участникам предлагается заниматься разработкой собственного проекта. Реализация интересной задачи может дать шанс пройти стажировку в компании Freematiq.