Основное внимание в курсе уделено глубокому погружению в машинное обучение: от продвинутой математической базы до реализации и оптимизации сложных моделей для решения нестандартных бизнес-задач. Курс проводится в формате лекций и практических занятий, что способствует одновременному освоению теории и её применению на практике. В рамках программы предусмотрены домашние задания, которые выполняются после каждого учебного дня для закрепления материала.
Предварительные требования:
Для успешного прохождения курса слушатели должны владеть:
- уверенными знаниями Python и основными библиотеками для анализа данных (pandas, NumPy, scikit-learn);
-
базовыми представлениями математической статистики, линейной алгебры и исчисления;
-
опытом работы с базовыми моделями машинного обучения.
По окончании курса слушатели смогут:
- разрабатывать и оптимизировать сложные модели машинного обучения; применять передовые методы для обработки и анализа больших данных;
-
реализовывать алгоритмы глубокого обучения и нейронные сети для решения сложных задач;
-
проводить детальный анализ, интерпретацию и оценку результатов моделей;
-
интегрировать ML-решения в реальную производственную среду с использованием современных подходов MLOps.
Формат обучения:
Обучение проводится дистанционно по будням по 2 ак. часа в день с 10.00 до 11.30 по Московскому времени.
Цель курса:
Углублённое изучение теоретических и практических аспектов машинного обучения, освоение сложных алгоритмов и методов оптимизации, а также разработка и внедрение комплексных ML-решений в реальной производственной среде. Курс направлен на развитие навыков работы с большими данными, построения нейронных сетей, ансамблевых моделей и применения передовых техник оптимизации.
Аудитория курса:
Настоящая программа предназначена для специалистов по анализу данных, инженеров машинного обучения, исследователей и разработчиков, стремящихся освоить сложные методы ML для решения реальных, часто нестандартных задач. Курс подойдёт тем, кто уже имеет опыт работы с базовыми моделями и желает углубить свои знания, научиться оптимизировать и масштабировать решения.
Модуль 1: Теоретические основы и подготовка данных (8 часов)
- Современные тренды и постановка сложных задач в ML. Обзор хардкорных методов, кейсы нестандартного применения
-
Математическая база для продвинутого ML. Линейная алгебра, статистика, оптимизационные методы
-
Продвинутая предобработка данных. Очистка, нормализация, обработка выбросов, трансформация признаков
-
Методы визуализации и анализа данных. Использование matplotlib, seaborn, Plotly для глубокого анализа
- Практическое занятие: применение методов предобработки на реальных наборах данных
Модуль 2: Супервизированное обучение и алгоритмы оптимизации (10 часов)
- Продвинутые модели регрессии и классификации. Глубокий анализ алгоритмов: SVM, ансамбли (Bagging, Boosting)
-
Алгоритмы оптимизации и методы регуляризации. Градиентный спуск, стохастический градиент, Adam, RMSprop; техники предотвращения переобучения
-
Работа с дисбалансированными данными. Методы синтеза выборок и техники балансировки
-
Кросс-валидация и оценка качества моделей. Подбор гиперпараметров, Grid Search, Random Search
-
Практическое занятие: разработка и оптимизация модели для решения сложной бизнес-задачи
Модуль 3: Глубокое обучение и нейронные сети (10 часов)
- Архитектуры глубоких нейронных сетей. CNN, RNN, LSTM, Transformer – обзор и сравнительный анализ
-
Трансферное обучение и дообучение предобученных моделей. Применение предобученных моделей в новых задачах
-
Техники регуляризации в глубоких сетях. Dropout, Batch Normalization, Data Augmentation
-
Работа с большими данными и распределённое обучение. Использование GPU и кластеров для ускорения обучения
-
Практическое занятие: создание и обучение нейросетевой модели на реальных данных
Модуль 4: Нелинейные задачи: несупервизированное обучение и Reinforcement Learning (6 часов)
- Методы кластеризации и понижения размерности. K-means, иерархическая кластеризация, PCA, t-SNE, UMAP
-
Обучение с подкреплением. Основы Q-Learning, Deep Q-Networks (DQN)
-
Интеграция методов несупервизированного и RL. Комбинированные подходы для сложных задач
-
Практическое занятие: применение алгоритмов несупервизированного обучения и RL на реальном кейсе
Модуль 5: Интеграция, интерпретация и применение моделей (6 часов)
-
Интерпретация и объяснение решений моделей. Методы Explainable AI: LIME, SHAP, визуализация Grad-CAM
-
Интеграция ML-решений в производственные системы. Создание REST API для моделей, базовые принципы MLOps
Мониторинг и обновление моделей. отслеживание качества, реагирование на дрифт данных
Практическое занятие: разработка комплексного проекта с интеграцией и демонстрацией результатов
