Μηχανική μάθηση: βασικά εργαλεία και πρακτικές - μάθημα 51.590 RUB. από Netology, εκπαίδευση 10 μηνών, Ημερομηνία 30 Νοεμβρίου 2023.

Πρότυπο κτίριο
Μάθετε τι είναι η βιβλιοθήκη Sklearn και πώς να τη χρησιμοποιήσετε. Μάθετε αλγόριθμους ομαδοποίησης και μπορείτε να δημιουργήσετε σύνολα μοντέλων. Μάθετε να αξιολογείτε μοντέλα και να εργάζεστε με την υπερπροσαρμογή. Θα μάθετε πώς να χρησιμοποιείτε την προσέγγιση GridSearch και RandomizedSearch, Model Specific CV, Out of Bag.
• Βιβλιοθήκη Sklearn
• Αλγόριθμοι ταξινόμησης: γραμμικές μέθοδοι, λογιστική παλινδρόμηση και SVM
• Αλγόριθμοι ταξινόμησης: δέντρα αποφάσεων
• Αλγόριθμοι παλινδρόμησης: γραμμικοί και πολυωνυμικοί
• Αλγόριθμοι ομαδοποίησης
• Σύνολο
• Αξιολόγηση ακρίβειας μοντέλου, επανεκπαίδευση, τακτοποίηση
• Βελτίωση της ποιότητας του μοντέλου
• Οργάνωση έργου, σύνταξη ερευνητικών εκθέσεων
• Εργαστηριακές εργασίες
• Παράδοση του ενδιάμεσου έργου

Συνεργασία με τον πελάτη
Θα μάθετε να σχεδιάζετε την ανάπτυξη έργων επιστήμης δεδομένων, καθώς και να ενημερώνετε σωστά τους πελάτες για τα αποτελέσματα της έρευνας.
• Οργάνωση έργου
• Σύνταξη ερευνητικών εκθέσεων

Συστήματα συστάσεων
Σε αυτό και στα ακόλουθα μπλοκ, θα εφαρμόσετε τις γνώσεις που αποκτήσατε σε διαφορετικούς τομείς της μηχανικής εκμάθησης. Κατά τη διάρκεια αυτού του μπλοκ, μάθετε πώς να δημιουργείτε εξατομικευμένα και μη εξατομικευμένα συστήματα προτάσεων και πώς να τα συνδυάζετε.
• Εισαγωγή και ταξινόμηση συστημάτων συστάσεων
• Συστάσεις που βασίζονται σε περιεχόμενο
•Συνεργατικό Φιλτράρισμα
• Μη εξατομικευμένα συστήματα συστάσεων
• Υβριδικοί αλγόριθμοι

Υπολογιστική όραση
Θα μάθετε βασικές τεχνικές όρασης υπολογιστή: εξαγωγή χαρακτηριστικών, αναζήτηση εικόνων, τμηματοποίηση, ανίχνευση αντικειμένων και επίσης θα μάθετε πώς να δημιουργείτε νευρωνικά δίκτυα.
• Αναζήτηση κατά εικόνες
• Τμηματοποίηση εικόνας, ανίχνευση αντικειμένων
• Εφαρμογή νευρωνικών δικτύων εξαιρετικά ακριβείας για εργασίες τμηματοποίησης και ανίχνευσης
• Εφαρμογή επαναλαμβανόμενων δικτύων σε προβλήματα επεξεργασίας εικόνας
• Δίκτυα Generative Adversarial Networks (GAN)

Επεξεργασία Φυσικής Γλώσσας (NLP)
Θα κατακτήσετε τη μορφολογική και συντακτική ανάλυση, τη σημασιολογία διανομής και την ανάκτηση πληροφοριών, μάθουν να μειώνουν τις διαστάσεις σε ένα διανυσματικό μοντέλο, να ταξινομούν, να εξάγουν πληροφορίες και να δημιουργούν κείμενα.
• Μορφολογική και συντακτική ανάλυση
• Μέθοδοι μείωσης διαστάσεων σε διανυσματικό μοντέλο. Αναζήτηση πληροφοριών
• Μοντελοποίηση θεμάτων (LSA, LDA, HDP)
• Διανεμητική σημασιολογία (word2vec, GloVe, AdaGram)
• Αριθμήσιμα γλωσσικά μοντέλα και πιθανολογικά γλωσσικά μοντέλα. LSTM. Μηχανική μετάφραση
• Δημιουργία κειμένου (Natural Language Generation)
• Πρόβλημα ταξινόμησης στον ΑΟΤ

Χρονική σειρά
Σε αυτήν την εντατική ενότητα, θα μάθετε να προσδιορίζετε την προέλευση και τη δομή μιας χρονοσειράς, να προβλέπετε μελλοντικές τιμές για αποτελεσματική λήψη αποφάσεων κατά την κατασκευή μοντέλων μηχανικής μάθησης. Θα καταλάβετε τι είναι «κάτω από την κουκούλα» των δημοφιλών μεθόδων και βιβλιοθηκών.
• Αλγόριθμοι επεξεργασίας χρονοσειρών
• Μοντέλα ARIMA και GARCH
• Τυχαίες διεργασίες Markov

Τελικό hackathon
Ας ολοκληρώσουμε την εκπαίδευση ανταγωνιζόμενοι με τους συναδέλφους: ως μέρος μιας μίνι ομάδας για περιορισμένο χρονικό διάστημα και με βάση σετ δεδομένων σημαντικών παικτών στην αγορά, θα πρέπει να λύσετε προβλήματα πρόβλεψης πωλήσεων ή βελτιστοποίησης της παραγωγής, χρησιμοποιώντας όλες τις γνώσεις και τις δεξιότητες που αποκτήθηκαν σε σειρά μαθημάτων. Η ενσωμάτωση και η χρήση λύσεων μηχανικής μάθησης στις επιχειρήσεις, κατά κανόνα, περιλαμβάνει ομαδικό παιχνίδι, επομένως ένα hackathon είναι επίσης χρήσιμο ως εκπαίδευση των απαραίτητων soft skills.

Εργασία αποφοίτησης
Ως μέρος της διατριβής σας, θα δημιουργήσετε ένα μοντέλο ML για να λύσετε τα τρέχοντα επαγγελματικά σας προβλήματα: αυτό θα μπορούσε να είναι ένα σύστημα πρόβλεψη πωλήσεων, αναγνώριση αντικειμένων σε φωτογραφίες ή βίντεο, ανάλυση χρονοσειρών, ανάλυση μεγάλου όγκου κειμένου κ.λπ. ρε. Εάν αυτή τη στιγμή δεν έχετε ιδέες για το έργο σας (ή πρόσβαση στα απαραίτητα δεδομένα), θα σας προσφέρουμε μια μελέτη περίπτωσης σε έναν τομέα που σας ενδιαφέρει με βάση ένα πραγματικό σύνολο δεδομένων άλλων εταιρειών. Η διατριβή ολοκληρώνεται ανεξάρτητα υπό την καθοδήγηση ειδικών του μαθήματος και σας επιτρέπει να εδραιώσετε όλο το φάσμα των γνώσεων και των δεξιοτήτων που αποκτήθηκαν στο πρόγραμμα.