Мероприятие находится в архиве, регистрация закрыта

Код 63703

  • 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 экономистов, маркетологов, аналитиков, специалистов, обладающих базовыми знаниями в статистической обработке данных, не имеющих опыта работы с моделями машинного обучения в среде программирования Python, которым приходится сталкиваться с проблемой анализа и прогнозирования данных


    Программа

    1. Машинное обучение: базовые условия для работы.
      Что такое машинное обучение и области его применения. Доступные возможности для не программиста 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. Что нужно знать и уметь специалисту для эффективного применения машинного обучения в работе.
    2. Ключевые алгоритмы машинного обучения: методы и практическая применимость
      • Что такое алгоритмы машинного обучения? Как они помогают пользователям исследовать и анализировать сложные наборы данных и находить в них смысл? Обзор библиотек машинного обучения на Python. Группировка способов анализа данных по методам машинного обучения: контролируемое обучение, неконтролируемое обучение и обучение с подкреплением.
      • Что можно делать с помощью алгоритмов машинного обучения? Прогнозирование целевой категории: разделение данных на несколько категорий. Обнаружение аномалий — поиск данных, выходящих за пределы «нормы». Анализ информации — как заданное значение изменяется с течением времени. Прогнозирование и определение тенденций, сезонности, цикличности и неравномерности. Обнаружение сходства — деление данных на группы, определение степени сходства между точками данных. Классификация — прогноз присвоения значения.
      • Методы и модели машинного обучения для анализа и прогнозирования данных. Характеристика моделей для регрессии и классификации данных. Модели классификации. Алгоритм обнаружения аномалий. Модели регрессии. Модели временных рядов. Методы кластеризации. Условия применения моделей и методов машинного обучения.
    3. 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.
    4. Практикумы.
      • «Построение модели машинного обучения для классификации»
      • «Построение модели машинного обучения для регрессии»
      Пошаговое выполнение на компьютере практических заданий под руководством эксперта в анализе данных в программной среде Python.

    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 >>