Объемный годовой курс, в котором подробно рассматриваются простейшие модели машинного обучения.
Такой подход позволяет осознать основные принципы данной области в целом. Знание этих принципов даст возможность самостоятельно понимать механизмы функционирования более сложных современных моделей, обнаруживать пути улучшения уже существующих алгоритмов, а также адаптировать методы машинного обучения для решения нестандартных задач.
- Математический анализ, годовой курс
- Алгебра, годовой курс
- Теория вероятностей
- Программирование: базовое владение языком программирования Python (ввод-вывод, циклы, рекурсия, классы, функции)
- Более узкоспециализированные курсы по машинному обучению
- Научная работа в области машинного обучения
- В собеседованиях на ML-секциях
- В работе на должностях Data Scientist, Machine Learning Engineer, Machine Learning Researcher
- Постановки задач машинного обучения
- Линейные методы классификации и регрессии
- Логические методы классификации
- Метрические методы классификации и регрессии
- Метрики качества, обобщающая способность
- Методы отбора признаков
- Основы байесовских методов
- Свёрточные и рекуррентные нейронные сети
- Автокодировщики, перенос обучения, генеративно-состязательные сети
- Модели внимания и трансформеры
- Тематическое моделирование и word2vec
- Гауссовские процессы, байесовская оптимизация, многорукие бандиты
- Моделирование временных рядов
- Рекомендательные системы и ранжирование
- Обучение с подкреплением
- ориентироваться в обширной области машинного обучения
- понимать на базовом уровне принципы устройства различных методов
- формализовывать задачи на языке обучения моделей
- понимать преимущества и недостатки моделей
- реализовывать базовые модели на языке программирования Python
- азам использования таких библиотек Python, как numpy, matplotlib и pandas
- бороться с проблемами, которые возникают при обучении моделей