Основы машинного обучения

Классическое компактное введение в машинное обучение. Без излишнего теоретизирования, только основные принципы, подходы и важные тонкости. На самом деле, конечно, без математического анализа и теории вероятностей обойтись не получится, но мы возьмем только самый минимум. Самое важное, чему мы учим на тренинге – пониманию, что все машинное обучение на практике – это выбор (или перебор) подходящего вида модели – регрессия, дерево, ансамбль или нейронная сеть, а дальше в дело вступает более или менее оптимизированный подбор параметров – значений коэффициентов в уравнении регрессии, условий для узлов дерева, весов для нейронов. Теоретическая часть тренинга показывает путь к осознанному выбору подходящей для вашей задачи  модели (хотя в большинстве случаев выбор сегодня между ансамблями типа XGBoost и нейронными сетями). А дальше – практика в ноутбуках с обучением разных моделей, чтобы самостоятельно увидеть и почувствовать что и когда хорошо применять. Используем фреймворк Scikit-learn.