Stepik О курсе
Подробнее
Цели курса:
Заинтересовать максимально большую аудиторию и показать, что машинное обучение не такая уж сложная наука.
Научить, как правильно обсуждать вопросы машинного обучения с заказчиком, коллегами и подчиненными. Не бояться брать на себя ответственность в этих вопросах.
Пробудить желание у слушателей начать собственный коммерческий проект в области машинного обучения.
Цель преподавателя – изложить курс понятно и интересно, чтобы для понимания содержания лекций было достаточно знаний школьного курса математики и здравого смысла.
По окончании курса слушатели смогут:
строить модели машинного обучения, позволяющие обрабатывать таблицы с данными;
с помощью моделей искусственного интеллекта восстанавливать пропущенные или некорректные данные;
находить объекты с аномальными значениями признаков;
классифицировать объекты в заданной предметной области;
предсказывать дальнейшее поведение объектов.
У этого курса есть продолжение – «Введение в искусственные нейронные сети» и «Специальные архитектуры нейронных сетей», «Анализ данных (Введение в Python и обработку таблиц)», а также теоретическая подоплека в виде курсов по теории вероятностей и математической статистике.
Требования
Что нужно для старта
- Курс
- требует минимальной математической подготовки. Для понимания курса требуются
- базовые математические навыки.
Результат
Что вы получите
- Освоившие этот курс смогут обрабатывать большие объемы данных и извлекать из них скрытые закономерности. Кроме того, слушатели научатся понимать: а) какие задачи можно полностью поручить ЭВМ; б) какие этапы процесса сможет выполнить лишь человек; в) самое главное – отличать пункт а) от пункта б).
- Слушатели освоят необходимую лексику для общения с заказчиками и коллегами на темы машинного обучения; поймут, когда требования заказчика невыполнимы или некорректны с точки зрения машинного обучения.
Аудитория
Для кого этот курс
- Мотивированные школьники, обучающиеся в школах с математическим уклоном; студенты и аспиранты технических и математических специальностей; специалисты, задействованные в области информационных технологий и смежных областях.
Содержание
12 занятийПрограмма курса
№ТемаЧто внутри
01Введение в машинное обучение и основные понятия статистики
- Задачи и модели машинного обучения
- Представление данных для машинного обучения. Признаки объектов
- Основные понятия математической статистики
- Тест
- Практическое задание
02Восстановление пропущенных значений
- Постановка проблемы и простейшие способы ее решения
- Замечание об использовании метрики
- Использование коэффициента корреляции для восстановления данных
- Применение метрик и КК в рекомендательных системах
- Тест
- Практическое задание
03Поиск выбросов и аномалий
- Постановка проблемы
- Методы, анализирующие признаки по отдельности
- Критерий Шовене (Chauvenet)
- Поиск выбросов без использования среднего и отклонения
- Методы, анализирующие несколько признаков
- Тест
- Практическое задание
04Кластеризация
- Постановка задачи кластеризации
- Кластеризация с помощью графов
- Алгоритм FOREL (формальный элемент)
- Алгоритм k-means (k - средних)
- Выбор оптимального числа кластеров
- Кластеризация по столбцам
- Тест
- Практическое задание
05Задача предсказания, линейная регрессия
- Постановка задачи предсказания
- План решения задачи регрессии
- Построение модели линейной регрессии
- Проблемы модели линейной регрессии
- Полиномиальная регрессия
- Тест
- Практическое задание
06Классификация, kNN, кросс-валидация
- План решения задачи классификации
- Метод k ближайших соседей (kNN)
- Методы выбора оптимальных параметров алгоритма. Кросс-валидация
- Тест
- Практическое задание
07Деревья в машинном обучении
- Основные понятия
- Неопределенность Джини. Построение дерева с его помощью
- Поиск выбросов с помощью дерева (изолирующий лес)
- Случайный лес (Random forest)
- Тест
- Практическое задание
08Линейные классификаторы (ЛК)
- Принцип классификации. Общая схема построения ЛК
- Пример построения линейного классификатора
- Нахождение минимума функции с помощью градиентного спуска
- Трюк с ядром
- Метод опорных векторов (support vector machine, SVM)
- Нейронные сети (как композиция линейных классификаторов)
- Тест
- Практическое задание
09Вероятностные алгоритмы. Наивный Байес
- Что такое вероятностные алгоритмы?
- Повторим школьную теорию вероятностей
- Наивный Байес
- Показатели качества алгоритма, выдающего вероятности
- Тест
- Практическое задание
10Ансамбли алгоритмов
- Голосование по большинству (комитет)
- Взвешенное голосование AdaBoost
- Градиентный бустинг
- Тест
- Практическое задание
11Отбор признаков (feature selection) и объектов
- Мотивация и простые способы отбора признаков
- Отбор признаков в несколько итераций
- Синтез новых признаков. Метод главных компонент
- Синтез новых объектов
- Проклятие размерности
- Тест
- Практическое задание
12Конспекты лекций и практика по программированию
- Конспекты лекций
- Задания по программированию
01Введение в машинное обучение и основные понятия статистики
- Задачи и модели машинного обучения
- Представление данных для машинного обучения. Признаки объектов
- Основные понятия математической статистики
- Тест
- Практическое задание
02Восстановление пропущенных значений
- Постановка проблемы и простейшие способы ее решения
- Замечание об использовании метрики
- Использование коэффициента корреляции для восстановления данных
- Применение метрик и КК в рекомендательных системах
- Тест
- Практическое задание
03Поиск выбросов и аномалий
- Постановка проблемы
- Методы, анализирующие признаки по отдельности
- Критерий Шовене (Chauvenet)
- Поиск выбросов без использования среднего и отклонения
- Методы, анализирующие несколько признаков
- Тест
- Практическое задание
04Кластеризация
- Постановка задачи кластеризации
- Кластеризация с помощью графов
- Алгоритм FOREL (формальный элемент)
- Алгоритм k-means (k - средних)
- Выбор оптимального числа кластеров
- Кластеризация по столбцам
- Тест
- Практическое задание
05Задача предсказания, линейная регрессия
- Постановка задачи предсказания
- План решения задачи регрессии
- Построение модели линейной регрессии
- Проблемы модели линейной регрессии
- Полиномиальная регрессия
- Тест
- Практическое задание
06Классификация, kNN, кросс-валидация
- План решения задачи классификации
- Метод k ближайших соседей (kNN)
- Методы выбора оптимальных параметров алгоритма. Кросс-валидация
- Тест
- Практическое задание
07Деревья в машинном обучении
- Основные понятия
- Неопределенность Джини. Построение дерева с его помощью
- Поиск выбросов с помощью дерева (изолирующий лес)
- Случайный лес (Random forest)
- Тест
- Практическое задание
08Линейные классификаторы (ЛК)
- Принцип классификации. Общая схема построения ЛК
- Пример построения линейного классификатора
- Нахождение минимума функции с помощью градиентного спуска
- Трюк с ядром
- Метод опорных векторов (support vector machine, SVM)
- Нейронные сети (как композиция линейных классификаторов)
- Тест
- Практическое задание
09Вероятностные алгоритмы. Наивный Байес
- Что такое вероятностные алгоритмы?
- Повторим школьную теорию вероятностей
- Наивный Байес
- Показатели качества алгоритма, выдающего вероятности
- Тест
- Практическое задание
10Ансамбли алгоритмов
- Голосование по большинству (комитет)
- Взвешенное голосование AdaBoost
- Градиентный бустинг
- Тест
- Практическое задание
11Отбор признаков (feature selection) и объектов
- Мотивация и простые способы отбора признаков
- Отбор признаков в несколько итераций
- Синтез новых признаков. Метод главных компонент
- Синтез новых объектов
- Проклятие размерности
- Тест
- Практическое задание
12Конспекты лекций и практика по программированию
- Конспекты лекций
- Задания по программированию
Документ после выпуска
Stepik
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Машинное обучение» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Информация обновлена 3 сентября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
