- Регистрация
- 24.09.2021
- Сообщения
- 38 398
Чему вы научитесь Задачи и процесс машинного обучения Данные для машинного обучения Особенности обучение моделей Экспорт и импорт результатов машинного обучения Метод максимального правдоподобия Линейная регрессия и регуляризация Среднеквадратичная ошибка и другие метрики Полиномиальная и нелинейная регрессия Логистическая регрессия Требования Школьная математика Интерес к искусственному интеллекту и(ли) большим данным Описание Работа с большими данными и задачами искусственного интеллекта требует особого подхода - подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную и логистическую регрессии. Курс является вводным и подойдет широкому кругу слушателей: от руководителей до разработчиков. Для кого этот курс: Руководители и менеджеры Разработчики больших систем Научные работники Директора по маркетингу и продажам Материалы курса Процесс машинного обучения Задачи машинного обучения Задачи машинного обучения Модель и процесс машинного обучения Процесс ETL Процесс машинного обучения Подготовка данных EDA Подготовка данных Подготовка данных Модель машинного обучения Разбиение выборки Оптимизация гиперпараметров Недообучение и переобучение Обучение модели Использование HDF Базовые методы и оценки Метод максимального правдоподобия Метод наименьших квадратов Метод наименьших квадратов Аппроксимация пропусков в данных Аппроксимация данных Среднеквадратичная ошибка Метрики и расстояния Метрики и расстояния Линейные модели Линейная регрессия и L1/L2-регуляризация Линейная регрессия BIC и AIC Полиномиальная регрессия Линеаризация регрессии Нелинейная регрессия Логистическая регрессия Линейные модели ![]() |