Мероприятие находится в архиве, регистрация закрыта

Курс повышения квалификации Машинное обучение: применение методов и моделей для решения задач анализа данных и прогнозирования

Код 63050

  • Уже завтра умение применять машинное обучение в работе станет жизненной необходимостью для специалиста из любой области. Диапазон решаемых задач широк: от прогноза продаж товара, выявления рисков до постановки медицинских диагнозов. Программа дает представление о сущности и преимуществах машинного обучения, о процессе построения модели, позволит выработать практические навыки обработки данных.

    Для кого

    Для аналитиков, экономистов, маркетологов, продакт-менеджеров, специалистов из любой другой предметной области, обладающих базовыми знаниями в статистиче-ской обработке данных, не имеющих опыта работы с моделями машинного обучения в среде про-граммирования Python, которым приходится сталкиваться с проблемой анализа и прогнозирования данных.

    Программа

    1. Машинное обучение: базовые условия для работы.
      2. Что такое машинное обучение и области его применения. Доступные возможности для любого пользователя использовать модели машинного обучения в текущей деятельности. Ключевой понятийный аппарат, необходимый для работы с данными. Доступные программные продукты. Требования к исходной информации. Актуальность отбора значимых признаков для проведения машинного обучения. Требования к результату.
    2. Алгоритмы машинного обучения: методы и практическая применимость.
      • Что такое библиотека машинного обучения.
      • Методы и модели машинного обучения для анализа и прогнозирования данных.
      • Характеристика моделей для регрессии и классификации данных.
      • Модели классификации — задача прогнозирования целевой категории (деление данных на две и более категории).
      • Алгоритм обнаружения аномалий — задача поиска необычных точек данных.
      • Модели регрессии — задача прогнозирования значений признака, измеренного в метрической шкале.
      • Модели временных рядов — задача анализа и прогнозирования изменения значений показателя во времени.
      • Методы кластеризации — задача обнаружения сходства исследуемых объектов, их сегментации.
    3. Методика выполнения задания: разбор последовательности действий.
      4. Определение проблемы, загрузка библиотек и данных. Анализ данных: распределение данных по классам, описательные статистики, визуализация. Первичная обработка данных и отбор признаков. Разбивка выборки на тестовую и обучающую. Обучение модели. Выбор лучшей модели для прогнозирования данных. Прогнозирование по лучшей модели. Интерпретация результатов.
    4. Практикумы.
      • «Построение модели машинного обучения для классификации».
      • «Построение модели машинного обучения для регрессии».
      Пошаговое выполнение практических задач обучения компьютера разделять объекты на классы и прогнозировать изменения во времени под руководством эксперта.

    На этом курсе можно получить удостоверение на английском языке

    Стоимость обучения с выдачей удостоверений на русском и английском языках — 47 700 р.

    Подробная информация здесь >>