Курс на Stepik
Обложка курса «Математические методы машинного обучения » на Stepik
Бесплатно

Математические методы машинного обучения 0.000

Открыть на
STEPIK.ORG

Здравствуйте! Рад приветствовать Вас на курсе «Математические методы машинного обучения». Данный курс посвящён изучению математических основ и современных методов, технологий искусственного интеллекта и анализа данных. В рамках курса будут рассмотрены методы регрессии и классификации, анализ главных компонент, метод опорных векторов, основы глубокого обучения и нейронных сетей, механизмы внимания и многие другие современные методы машинного обучения. Успехов в изучении!

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Математические методы машинного обучения »Учеников на курсе 63
Сертификаты, выданные на курсе «Математические методы машинного обучения »Сертификатов выдано 0
Отзывы о курсе «Математические методы машинного обучения »Отзывов получено 0
Рейтинг курса «Математические методы машинного обучения »Рейтинг курса 0.000
Уроки в курсе «Математические методы машинного обучения »Количество уроков 83
Тесты в курсе «Математические методы машинного обучения »Количество квизов 15
Время прохождения курса «Математические методы машинного обучения »Время прохождения курса
Обновления курса «Математические методы машинного обучения »Обновления курса
Дата публикации курса «Математические методы машинного обучения »Дата публикации курса
Последнее обновление курса «Математические методы машинного обучения »Последнее обновление
Сложность easy

Содержание курса

Разделы в курсе «Математические методы машинного обучения » 14 разделов Уроки в курсе «Математические методы машинного обучения » 83 урока Тесты в курсе «Математические методы машинного обучения » 15 тестов Время прохождения курса «Математические методы машинного обучения » 8 ч. Последнее обновление курса «Математические методы машинного обучения » обн. 31 августа 2026

Введение

1 урок
1. О курсе

Машинное обучение

8 уроков
1. Почему необходимо МО
2. Классификация изображений
3. Типы машинного обучения
4. Обучение без учителя
5. Обучение с учителем
6. Классификация цветов
7. Итоги
8. Практическая работа №1. Классические методы машинного обучения

Регрессионные модели

10 уроков
1. Линейная регрессия
2. Парная диаграмма
3. Деревья решений
4. Проблема переобучения. Случайные леса
5. Градиентно-бустинговые модели
6. SVM
7. Оценка моделей
8. Прогнозирование цен на такси
9. Итоги
10. Практическая работа №2. Задача регрессии

Классификационные модели

8 уроков
1. Типы классификационных моделей
2. Логистическая регрессия
3. Метрики
4. Категориальные данные
5. Бинарная классификация
6. Многоклассовая классификация
7. Итоги
8. Практическая работа №3. Задача классификации

Введение в глубокое обучение

8 уроков
1. Основы нейронных сетей
2. Типы нейронных сетей
3. Многослойный перцептрон
4. Обучение нейронных сетей
5. Оптимизаторы
6. Фреймворки для работы с нейросетями
7. Итоги
8. Практическая работа №4. Многослойный перцептрон

Свертки

6 уроков
1. Простой пример сверточной сети
2. Свертка
3. Пулинг
4. Еще немного о свертках
5. Выводы
6. Практическая работа №5. Свёрточные сети

Рекуррентность

7 уроков
1. Рекуррентные нейронные сети (RNN)
2. Архитектура RNN
3. Проблема исчезающих градиентов в RNN
4. LSTM
5. Seq2Seq
6. Итоги
7. Практическая работа №6. Рекуррентные нейронные сети

Механизм внимания

5 уроков
1. Что предшествовало
2. Идея механизма внимания
3. Luong и Bahdanau
4. Применение механизма внимания
5. Практическая работа №7. Механизмы внимания

Трансформер

5 уроков
1. Проблемы RNN
2. Архитектура трансформера
3. BERT и GPT
4. Трансформеры вне текста
5. Практическая работа №8. Реализация трансформера

Разработка, обучение модели, ансамбли

5 уроков
1. Выбор моделей
2. Ансамбли
3. Отслеживание экспериментов
4. Отладка моделей
5. Практическая работа №9. Ансамбли

Генеративно-состязательные сети

6 уроков
1. Что такое GAN?
2. Продвинутые архитектуры GAN
3. Как искать научные статьи
4. Применение GAN в различных областях
5. Итоги
6. Практическая работа №10. Применение GAN

Трехмерное глубокое обучение

7 уроков
1. Mesh R-CNN: введение
2. Полигональная сетка и воксел
3. Архитектура Mesh R-CNN
4. Графовые свертки
5. Обнаружение 3D-структуры объекта
6. Результаты модели Mesh R-CNN
7. Практическая работа №11. Трехмерное глубокое обучение

Геометрическое глубокое обучение

6 уроков
1. Основы
2. Геометрическое представление данных и симметрии
3. Архитектурные принципы GDL
4. Основные модели
5. Проектирование геометрических моделей
6. Практическая работа №12. Геометрическое глубокое обучение

Экзамен

1 урок
1. Экзамен