0

Python для машинного обучения.

  • Код курса: F.Py4ML
  • Длительность: 3 д.
  • Цена: 24 000 Р

Расписание курса

11.03.2020
24 000 Р
Москва
Программа курса Py4ML
 
Python для машинного обучения.
 
Продолжительность курса — 3 дня (24 академических часа).
 
Аудитория.
 
Курс предназначен для аналитиков, исследователей, разработчиков и специалистов по анализу данных, планирующих использовать Python для решения задач, связанных с обработкой больших объемов данных
 
Необходимая предварительная подготовка.
 
Необходимы базовые навыки программирования на языке Python и знакомство с пакетами NumPy и Pandas в объеме курса "Python для анализа данных".
 
Результат курса.
 
На этом курсе слушатели изучают важнейшие библиотеки и инструменты Python для машинного обучения (Machine Learning). 
 
В результате прослушивания курса слушатели: 
  • Изучат базовые принципы машинного обучения с учителем и без него;
  • Познакомятся с возможностями библиотеки Scikit-Learn;
  • Познакомятся с основными методами машинного обучения в Scikit-Learn.
Программа курса:
 
 1 Методы машинного обучения.
 2 Библиотека Scikit-Learn.
 2.1 Представление данных.
 2.2 Статистическое оценивание.
 3 Гиперпараметры и проверка модели.
 3.1 Выбор оптимальной модели.
 3.2 Кривые обучения.
 4 Конструирование признаков.
 4.1 Категорийные признаки.
 4.2 Текстовые признаки.
 4.3 Признаки для графических изображений.
 4.4 Производные признаки.
 4.5 Вставка пропусков данных.
 4.6 Конвейеры признаков.
 5 Наивная байесовская классификация.
 5.1 Гауссов классификатор.
 5.2 Полиномиальный наивный байесовский классификатор.
 6 Линейная регрессия.
 6.1 Простая линейная регрессия.
 6.2 Регрессия по комбинации базисных функций.
 6.3 Регуляризация.
 7 Метод опорных векторов.
 7.1 Основы метода.
 7.2 Применимость метода.
 8 Деревья решений и случайные леса.
 8.1 Деревья принятия решений.
 8.2 Случайные леса.
 8.3 Регрессия по случайным лесам.
 9 Метод главных компонент.
 9.1 Основы метода.
 9.2 Фильтрация шума.
 9.3 Метод EigenFaces.
 10 Обучение по многообразиям.
 10.1 Основы метода.
 10.2 Многомерное масштабирование.
 10.3 Обучение на базе многообразий.
 10.4 Применимость метода.
 11 Кластеризация методом K средних.
 11.1 Основы метода.
 11.2 Максимизация математического ожидания.
 11.3 Недостатки метода.
 12 Смеси гауссовых распределений.
 12.1 Необходимость метода GMM.
 12.2 Смеси гауссовых распределений - GMM.
 12.3 Оценка плотности распределения.
 13 Ядерная оценка плотности распределения.
 13.1 Обоснование метода KDE.
 13.2 Оценка KDE.
Записаться на курс: Python для машинного обучения.


Поделиться
Отправьте другу или начальнику ссылку на почту
Заявка на обучение

* - обязательные поля

Заявка на обучение

Записаться на курс:

Город:

Дата:

Город проведения

* - обязательные поля