-
Уже завтра умение применять машинное обучение в работе станет жизненной необходимостью для специалиста из любой области. Диапазон решаемых задач широк: от прогноза продаж товара, выявления рисков до постановки медицинских диагнозов. Программа дает представление о сущности и преимуществах машинного обучения, о процессе построения модели, позволит выработать практические навыки обработки данных.
Для кого
Для аналитиков, экономистов, маркетологов, продакт-менеджеров, специалистов из любой другой предметной области, обладающих базовыми знаниями в статистиче-ской обработке данных, не имеющих опыта работы с моделями машинного обучения в среде про-граммирования Python, которым приходится сталкиваться с проблемой анализа и прогнозирования данных.
Программа
- Машинное обучение: базовые условия для работы. Что такое машинное обучение и области его применения. Доступные возможности для любого пользователя использовать модели машинного обучения в текущей деятельности. Ключевой понятийный аппарат, необходимый для работы с данными. Доступные программные продукты. Требования к исходной информации. Актуальность отбора значимых признаков для проведения машинного обучения. Требования к результату.
- Алгоритмы машинного обучения: методы и практическая применимость.
- Что такое библиотека машинного обучения.
- Методы и модели машинного обучения для анализа и прогнозирования данных.
- Характеристика моделей для регрессии и классификации данных.
- Модели классификации — задача прогнозирования целевой категории (деление данных на две и более категории).
- Алгоритм обнаружения аномалий — задача поиска необычных точек данных.
- Модели регрессии — задача прогнозирования значений признака, измеренного в метрической шкале.
- Модели временных рядов — задача анализа и прогнозирования изменения значений показателя во времени.
- Методы кластеризации — задача обнаружения сходства исследуемых объектов, их сегментации.
- Методика выполнения задания: разбор последовательности действий. Определение проблемы, загрузка библиотек и данных. Анализ данных: распределение данных по классам, описательные статистики, визуализация. Первичная обработка данных и отбор признаков. Разбивка выборки на тестовую и обучающую. Обучение модели. Выбор лучшей модели для прогнозирования данных. Прогнозирование по лучшей модели. Интерпретация результатов.
- Практикумы.
- «Построение модели машинного обучения для классификации».
- «Построение модели машинного обучения для регрессии».
На этом курсе можно получить удостоверение на английском языке
Стоимость обучения с выдачей удостоверений на русском и английском языках — 47 700 р.
Подробная информация здесь >>