Чему вы научитесь
- Из первых трех блоков вы научитесь:
- 1. Совмещать нейронные сети и градиентные бустинги для классификации документов
- 2. Оптимизировать параметры градиентного бустинга в нетривиальных сценариях
- 3. Моделировать временные ряды и работать с временными зависимостями.
- 4. Научитесь классифицировать документы и картинки.
- Следующие 3 блока будут для вас сюрпризом!
О курсе
Изучите на продвинутом уровне 6 тем машинного обучения на курсе Pro ML от REU Data Science Club. Наш курс включает в себя еженедельные лекции, семинары и много практических заданий с нетривиальными задачами. На нем мы разберем популярные темы на максимально углубленном уровне. Участники научатся оптимизировать ML алгоритмы для специфичных сценариев, работать с временными данными, классифицировать тексты и изображения и много чего еще!
Для кого этот курс
Курс продвинутый и рассчитан на тех, кто уже проходил базовые курсы по машинному обучению. Мы повторим ключевые основы, а затем углубимся в темы, которые часто остаются за рамками типовых курсов. Поэтому этот курс стоит рассматривать не как вводный, а как расширяющий и углубляющий знания. Он поможет вам лучше разобраться в продвинутых аспектах ML и выделиться глубиной понимания рассматриваемых тем.
Начальные требования
Для комфортного прохождения курса желательно:
🔸 Знание базового классического ML — например, вы понимаете, что такое случайный лес.
🔸 Основы линейной алгебры.
🔸 Основы теории вероятностей.
🔸 Навыки программирования на Python и умение пользоваться библиотеками pandas, scikit-learn и numpy.
Преподаватели курса
5 816
Как проходит обучение
Курс включает как теоретические материалы, так и практические задания. Для автоматической проверки практики мы подготовили специальную систему, о которой расскажем внутри курса.
Обучение будет проходить в онлайн-формате.
⏳Дедлайнов нет — вы можете проходить курс в комфортном для себя темпе.
Что вы получите
- В первом блоке вы досконально освоите идею бустинга на действительно углубленном уровне - от математики фридмана до современных подходов.
- Также вы научитесь ускорять обучение моделей на GPU и узнаете методы борьбы с переобучением и шумом в данных.
Нагрузка
10-15