Анализ данных на основе машинного обучения

О ПРОГРАММЕ

Категория слушателей: граждане, имеющие высшее или среднее профессиональное образование.


Срок обучения: 2 недели (72  академических часа).

Группы приступают к занятиям по мере формирования. 
Программа включает в себя 3 модуля, которые проводятся в открытом формате.  

Программа курса «Анализ данных на основе машинного обучения» рассчитана на подготовку специалистов в области анализа данных и машинного обучения (Data Science) с использованием среды R Studio.
Для успешного прохождения курса слушатели должны на продвинутом уровне пользоваться компьютером, иметь базовые навыки в моделирование, знать основы теории вероятности и математической статистики, иметь представление о программировании на языках высокого уровня (на пороговом уровне). Для слушателей курсов предусмотрены входные контрольные задания по теории вероятности (теорема Байеса) и математической статистике (описательные дескриптивные статистики и проверка гипотез – ошибки первого и второго рода). 

ЦЕЛЬ ПРОГРАММЫ

Дать систематизированное представление о современных подходах к анализу данных средствами машинного обучения, познакомить с основными принципами и этапами решения задач регрессии и классификации, научить навыкам применения технологий машинного обучения, в том числе ансамблированию алгоритмов, проверке качества алгоритмов с помощью процедур валидации и кросс-валидации, научить слушателей курса техникам сэмлирования в случае отсутствия сбалансированности классов во входной информации, проводить обучение алгоритмов машинного обучения в современных информационных средах (R Studio), в конечном итоге сформировать на базовом уровне компетенцию компетенции цифровой экономики: Управление информацией и данными.

МЕТОДЫ ОБУЧЕНИЯ

Практико-ориентированный подход в обучении с применением специализированного программного обеспечения, применение дистанционных образовательных технологий.

стоимость

программы составляет  15 000 рублей

РЕЗУЛЬТАТЫ ОБУЧЕНИЯ

В результате освоения программы слушатель должен приобрести следующие знания и умения:

  • основные причины развития HR-бренда;
  • классификацию типов наборов данных,
  • методы сбора и подготовки исходных данных,
  • технологии семплирования для получения сбалансированных выборок,
  • основные современные методы анализа количественных и факторных данных;
  • методы валидации и кросс-валидации при обучении алгоритмов машинного обучения;
  • алгоритмы машинного обучения – бинарные модели регрессии, модели регрессии (метод лассо и гребневой регрессии); байесовские классификаторы, алгоритмы бустинга, методы деревьев решений и случайного леса);
  • ансамблевые процедуры в машинном обучения.
  • алгоритмы обработки входной информации, с применением современных инструментальных средств,
  • методы предварительной обработки информации (метод главных компонент, кластерный анализ) для возможности применения продвинутых методов анализа данных;
  • метрики качества для оценки алгоритмов машинного обучения.
  • проводить качественную чистку данных, проводить восполнение данных;
  • восполнять выборку до сбалансированного объема;
  • проводить процедуры валидации и кросс-валидации для обучения алгоритмов машинного обучения;
  • использовать метрики качества для оценки алгоритмов машинного обучения;
  • использовать алгоритмы машинного обучения для решения задач классификации;
  • проводить ансамблирование алгоритмов машинного обучения для повышения точности решения задач классификации и регрессии.
  • навыками построения моделей на основе алгоритмов машинного обучения для решения задач регрессии и классификации.
  • навыками оценки качества алгоритмов машинного обучения. 

Перспективы
трудоустройства
Вы умеете

проводить качественную чистку данных, проводить восполнение данных.

Вы владеете

владеть техниками сэмплирования для восполнения баланса выборок, используя средства среды R Studio.

Вы можете

использовать алгоритмы машинного обучения для решения задач регрессии.

учебный план
и удостоверение


отзывы

руководитель и преподаватели

Image Description

Лакман Ирина Александровна

кандидат технических наук, заведующая лабораторией исследования


 

оставить заявку

CRM-форма появится здесь
Cookie-файлы
Настройка cookie-файлов
Детальная информация о целях обработки данных и поставщиках, которые мы используем на наших сайтах
Аналитические Cookie-файлы Отключить все
Технические Cookie-файлы
Другие Cookie-файлы
Мы используем файлы Cookie для улучшения работы, персонализации и повышения удобства пользования нашим сайтом. Продолжая посещать сайт, вы соглашаетесь на использование нами файлов Cookie. Подробнее о нашей политике в отношении Cookie.
Подробнее Понятно
Cookies