Instagram Facebook vkontakte telegramm WhatsApp LinckedIn

Машинное обучение

Цели курса:

Этот комплексный курс предлагает участникам практическое введение в мир машинного обучения. Он охватывает такие важные темы, как предварительная обработка данных, регрессия, классификация, кластеризация и снижение размерности. Участники также изучат передовые методы, такие как нейронные сети и деревья решений. Курс идеально подходит для профессионалов, стремящихся перейти в науку о данных, а также для студентов и исследователей, интересующихся искусственным интеллектом.

Профиль участника:

Учащиеся G12, энтузиасты науки о данных, ИТ-специалисты, студенты, изучающие компьютерные науки, и исследователи, интересующиеся приложениями ИИ и машинного обучения.

Требования к участникам:

Базовые навыки работы с компьютером.

Продолжительность курса:

  • Кредитные часы: 3
  • Общее количество требуемых часов: 20

Формат доставки:

Онлайн/офлайн

Контактные часы:

3

Самостоятельное обучение:

10 часов

Итоговый контроль:

Проект

Содержание курса

1. Введение в машинное обучение

Аудиторное занятие Тема для аудиторного занятия Подтемы Аудиторные занятия/формы Самостоятельное обучение Часы
Обзор концепций машинного обучения
  • Типы машинного обучения: контролируемое и неконтролируемое
  • Настройка среды машинного обучения (Anaconda, Jupyter Notebook)
  1. Основные концепции машинного обучения и их важность.
  2. Типы машинного обучения: контролируемое и неконтролируемое.
  3. Настройка Anaconda и Jupyter Notebook для проектов МО.
  • Интерактивная лекция по концепциям и типам МО с примерами из реальной жизни.
  • Практическая демонстрация: Установка Anaconda и запуск базового скрипта в Jupyter Notebook.
  • Групповое обсуждение вариантов использования контролируемого и неконтролируемого обучения.
  • Исследование приложений контролируемого и неконтролируемого обучения в различных отраслях.
  • Практика использования Jupyter Notebook путем написания и запуска скрипта Python.
  • Просмотр вводного видео/руководства по основам машинного обучения.
 5

2. Предварительная обработка данных

Классное занятие Тема для классного занятия Подтемы Классные занятия/формы Самостоятельное обучение Часы
Очистка и подготовка данных
  • Очистка и подготовка данных
  • Масштабирование и нормализация признаков
  • Разделение данных: обучающие и тестовые наборы
  1. Методы очистки данных и обработки пропущенных значений.
  2. Важность и методы масштабирования и нормализации признаков.
  3. Разделение данных на обучающие и тестовые наборы.
  • Интерактивная демонстрация: очистка выборочного набора данных путем обработки пропущенных значений и выбросов.
  • Практическое кодирование: применение методов масштабирования признаков с использованием библиотек Python.
  • Групповая деятельность: разделение набора данных на обучающий и тестовый наборы и обсуждение важности каждого из них.
  • Практика очистки набора данных с использованием Python (pandas) и обработка пропущенных значений.
  • Реализация масштабирования и нормализации признаков на новом наборе данных.
  • Исследование различных стратегий разделения данных и их влияния на производительность модели.
 5

3. Регрессия и классификация

Классное занятие Тема для классного занятия Подтемы Классные занятия/формы Самостоятельное обучение Часы
Модель линейной регрессии
  • Логистическая регрессия для классификации
  • Метрики оценки для моделей классификации и регрессии
  1. Понимание и реализация модели линейной регрессии.
  2. Основы логистической регрессии для задач классификации.
  3. Метрики оценки: точность, достоверность, отзыв и RMSE.
  • Интерактивное кодирование: построение простой модели линейной регрессии и визуализация результатов.
  • Практическое упражнение: обучение модели логистической регрессии на образце набора данных.
  • Обсуждение: анализ метрик оценки и интерпретация их значимости.
  • Написание скрипта Python для реализации линейной регрессии с использованием scikit-learn.
  • Обучение и тестирование модели логистической регрессии на новом наборе данных классификации.
  • Исследование и обобщение того, когда следует использовать конкретные метрики оценки для регрессии и классификации.
 5

4. Кластеризация и снижение размерности

Аудиторное занятие Тема для аудиторного занятия Подтемы Классные занятия/формы Самостоятельное обучение Часы
Кластеризация k-средних
  • Иерархическая кластеризация
  • PCA для снижения размерности
  1. Основы и реализация кластеризации k-средних.
  2. Обзор иерархической кластеризации и дендрограмм.
  3. Анализ главных компонентов (PCA) для снижения размерности.
  1. Практическое кодирование: применение кластеризации k-средних для группировки набора данных и визуализации кластеров.
  2. Интерактивная демонстрация: выполнение иерархической кластеризации и интерпретация дендрограммы.
  3. Групповое обсуждение: изучение того, как PCA повышает производительность модели за счет снижения размерности.
  1. Практика кластеризации k-средних на другом наборе данных и оценка результатов.
  2. Использование Python для применения иерархической кластеризации и создания дендрограммы.
  3. Исследование и реализация PCA на многомерном наборе данных с интерпретацией объясненной дисперсии.
 5

5. Расширенные темы и приложения

Классное занятие Тема для классного занятия Подтемы Классные занятия/формы Самостоятельное обучение Часы
Введение в нейронные сети
  • Обзор деревьев решений и случайных лесов
  1. Основы нейронных сетей: структура и принципы работы.
  2. Введение в деревья решений: построение и интерпретация правил принятия решений.
  3. Обзор случайных лесов: ансамблевое обучение и повышение точности.
  1. Интерактивная демонстрация: визуализируйте структуру простой нейронной сети и объясните ее компоненты.
  2. Практическое кодирование: постройте и интерпретируйте дерево решений с использованием небольшого набора данных.
  3. Групповое занятие: сравните результаты деревьев решений и случайных лесов на образце набора данных.
  1. Исследуйте и обобщите различия между нейронными сетями, деревьями решений и случайными лесами.
  2. Практикуйтесь в построении модели случайного леса с помощью scikit-learn и оцените ее точность.
  3. Изучите онлайн-ресурс или учебник по нейронным сетям для дальнейшего понимания.
 5