Модуль 3. Введение в машинное обучение

В этом курсе мы обзорно рассмотрим основные подходы в машинном обучении и вспомним понятия линейной алгебры, которые пригодятся при более глубоком изучении методов машинного обучения.

Курс состоит из четырех недель и включает в себя следующие темы.

В конце курса вам необходимо пройти проверочный тест и выполнить практическое задание на оценку. 

После освоения курса вы:

• сможете применять NumPy для работы с векторами и матрицами; 

• сможете вычислять косинусную меру близости векторов и использовать ее для нахождения разницы между словами;

• узнаете виды линейных моделей обучения, метрики измерения качества линейных моделей; 

• узнаете базовые сведения об ансамблевых моделях и сравните производительность ансамблевых моделей; 

• сможете строить модели линейной и логистической регрессии с использованием библиотек Python; 

• сможете рассчитывать метрику качества линейной и логистической регрессии;

• сможете строить ансамблевые модели — решающее дерево, случайный лес, градиентный бустинг;

• обзорно познакомитесь с методами кластеризации и методами понижения размерности, принципами построения рекомендательных систем; 

• сможете реализовать методы кластерного анализа на примере искусственных данных, выполнить расчет оценок качества кластеризации с помощью библиотек Python; 

• сможете реализовать методы понижения размерности применительно к датасету с помощью Python; 

• сможете составить матрицу рейтингов с помощью Python и выполнять операции с ней;

• узнаете основные библиотеки Python, используемые для работы с нейросетями;

• сможете написать программу для вычисления результата сигмоидальной функции активации для заданных входных данных; 

• сможете написать код, реализующий свертку изображения и фильтра; 

• сможете реализовать простую нейросеть, состоящую из одного входного слоя, одного скрытого слоя и одного выходного слоя.

В конце курса вам необходимо пройти проверочный тест и выполнить практическое задание на оценку.