После обучения что слушатель должен:

знать:

• 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;
• методы опорных векторов для решения задач классификации;
• методы подбора нелинейного ядра для решения задач методом опорных векторов;
• методы парсинга данных в сети интернет;
• структуру HTML документа, структуру и параметры HTML тегов, объектную модель DOM;
• принципы работы с большими данными;
• модель распределенной обработки данных MapReduce и Экосистему Hadoop;

уметь:

• 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;
• использовать алгоритмы машинного обучения для решения задач регрессии;
• проводить ансамблирование алгоритмов машинного обучения для повышения точности решения задач классификации и регрессии;
• применять техники сэмплирования для восполнения баланса выборок, используя средства среды R Studio;
• строить модели на основе алгоритмов машинного обучения для решения задач регрессии и классификации;
• использовать методы машины опорных векторов для задач классификации;
• использовать наивный байесовский классификатор для классификации текстовых сообщений;
• проводить оценку качества алгоритмов машинного обучения;
• ориентироваться в стандарте исключений для роботов сайта;
• извлекать HTML тексты и анализировать их содержимое с помощью библиотек R;
• реализовывать различные математические алгоритмы для разделения задачи на небольшие части и назначения их нескольким системам в рамках парадигмы MapReduce.

владеть:

• методами проведения качественной чистки, восполнения данных;
• методами проведения процедуры валидации и кросс-валидации для обучения алгоритмов машинного обучения;
• методами проведения ансамблирования алгоритмов машинного обучения для повышения точности решения задач классификации и регрессии;
• методами проведения техники сэмплирования для восполнения баланса выборок, используя средства среды R Studio;
• методами построения моделей на основе алгоритмов машинного обучения для решения задач регрессии и классификации;
• методами оценки качества алгоритмов машинного обучения;
• методами сбора данных из открытых источников информации в сети Интернет.