Курс Machine Learning

Програма курсу

Модуль 1. Вступ до Машинного навчання

• Введення в машинне навчання: основні поняття та застосування
• Види машинного навчання
• Основні інструменти та бібліотеки для машинного навчання
• Основи Python в контексті аналізу даних
• Основи NumPy, SciPy та Pandas

Модуль 2. Приготування та очищення даних

• Збір, імпорт, очищення та підготовка даних для аналізу
• Обробка відсутніх даних та викидів
• Візуалізація даних для аналізу
• Основи роботи з географічними даними

Модуль 3. Лінійна регресія

• Лінійна регресія: теорія та застосування
• Види лінійних моделей
• Аналіз часових рядів та прогнозування

Модуль 4. Класифікація та ансамблеві методи

• Базові класифікаційні моделі, дерева рішень та їх створення
• Випадковий ліс (Random Forest), Градієнтний бустінг (Gradient Boosting), Адаптивний бустінг (AdaBoost) та власні ансамблі
• Оцінка та валідація моделей

Модуль 5. Кластеризація та аналіз даних

• Кластеризація даних: методи та застосування
• Аналіз головних компонент (PCA) та методи зменшення розмірності
• Відкриті дані та аналіз текстових даних
• Візуальний аналіз даних за допомогою Orange

Модуль 6. Нейронні мережі та глибинне навчання

• Вступ до нейронних мереж та штучних нейронів
• Пряме поширення сигналу та зворотне поширення помилок. Глибинні нейронні мережі (Deep Neural Networks)
• Конволюційні нейронні мережі (CNN)
• Рекурентні нейронні мережі (RNN)
• Автоенкодери та трансформери

Модуль 7. Аналіз та покращення результатів машинного навчання

• Налаштування набору даних та аналіз помилок навчання
• Аналіз кривих, що характеризують процес навчання. Порівняння результатів з точністю людини
• Різні розподіли тестового та навчального набору даних. Аналіз помилок конвеєрів ML

Модуль 8. Додаткові теми в машинному навчанні

• Введення до асоціативних правил. Алгоритми видобування асоціативних правил
• Клітинні автомати та мультиагентні системи
• Генетичні алгоритми, методи мурашиного рою, фрактали
• Нечітка логіка
• Навчання з підкріпленням та Q-навчання
• Інтелектуальні агенти

Лабораторні роботи з індивідуальними консультаціями

Упродовж курсу з ML практика буде невід'ємною частиною навчання. Лектор даватиме завдання та буде на своєму прикладі демонструвати варіанти вирішення. Теми лабораторних робіт, які чекають на тебе:

• Ознайомлення з інструментами машинного навчання
• Підготовка даних для аналізу
• Лінійна регресія та метод найменших квадратів
• Класифікація реальних даних
• Кластеризація даних та аналіз головних компонентів
• Глибинні нейронні мережі (Deep Neural Networks)
• Використання CNN для обробки зображень
• Рекурентні нейронні мережі (RNN)
• Симулятор мультиагентних систем
• Використання асоціативних правил для аналізу даних
• Навчання з підкріпленням та Q-навчання

Заняття з англійської

На цьому занятті ти зможеш протестити свій рівень англійської та покращити розуміння професійних технічних термінів, з якими обов’язково стикнешся під час роботи в ІТ.

Кар'єрна консультація з рекрутером

Навчання - це тільки перший етап на шляху до омріяної роботи. У тебе тепер є практичний досвід використання знань з машинного навчання на практиці. А отже - час складати резюме, доповнювати профіль в Лінкедині та шукати роботу. З цим тобі допоможе заняття з рекрутером.

Вимоги до студентів

• знати Python на середньому рівні
• розуміти основи статистики
• середній рівень знань Numpy SciPy
• знати основи Matplotlib, Seaborn
• знати Pandas на середньому рівні

Особливості курсу

• Лекції в зручний час
• Практичні заняття
• Невелика група
• Заняття з англійської
• Сертифікат про проходження курсу
• Можливість контракту з компанією

Викладачі курсу

Ярослав Виклюк - Професор, доктор технічних наук