Специализация Машинное обучение: от статистики до нейросетей

В этом онлайн-курсе НИУ ВШЭ мы познакомимся с базовыми понятиями статистики, научимся аккуратно собирать данные, обрабатывать их и визуализировать. Также мы поговорим про базовые теоремы, которые используются в математической статистике: ЗБЧ и ЦПТ.

В онлайн-курсе мы изучим основы математической статистики и аккуратную работу с данными. Мы научимся собирать и обрабатывать данные с помощью Python, поговорим про их визуализацию и предварительный анализ. Мы также познакомимся с основными распределениями и описательными статистиками, с которыми аналитики сталкиваются на повседневной основе. И обсудим теоремы, на которых базируется вся наука о данных: закон больших чисел и центральную предельную теорему. Github со всеми материалами курса: https://github.com/FUlyankin/matstat_online Курс состоит из 5 недель. Каждая включает в себя несколько коротких видеолекций (суммарная продолжительность – от 60 до 100 минут), тест на знание теоретического материала (5 – 15 вопросов), а также тест, включающий в себя выполнение заданий по программированию и решение теоретических задач. На некоторых неделях задание по программированию заменено заданием на взаимное оценивание. В конце курса предусмотрен итоговый экзамен, состоящий из тестовых вопросов.

Сейчас термины “машинное обучение” или даже “искусственный интеллект” у всех на слуху. Местами это преувеличение и хайп, но у машинного обучения действительно есть много полезных и важных применений. Вы сталкиваетесь с этим каждый день: когда вы ищете что-то в интернете, поисковик предлагает вам странички на основе сложного сопоставления текстов и анализа ваших данных; когда вы жалуетесь в службу поддержки какого-нибудь сервиса или магазина, с большой вероятностью вам отвечает бот; если у вас умные часы, то они, вероятно, используют методы машинного обучения, чтобы понимать, когда вы сидите, стоите или бегаете.

В этом онлайн-курсе НИУ ВШЭ вы можете разобраться с принципами работы методов машинного обучения. Речь пойдёт об обучении с учителем — областью, которая изучена лучше всего и методы из которой наиболее часто используются на практике. Мы обсудим метрические и линейные методы, и на их примере разберём все ключевые концепции: обобщающую способность и переобучение, градиентные методы обучения, измерение качества модели и специализированные метрики качества, подготовку данных для моделей. Мы будем показывать, как это всё делается в Python с помощью его библиотек. По итогам курса вы поймёте, как устроены все ключевые моменты в машинном обучении, а также получите хороший практический опыт подготовки данных, их визуализации, построения и анализа моделей.

В этом онлайн-курсе мы будем смотреть на данные через призму математической статистики. Поговорим о том, какое место она занимает среди наук о данных. Научимся аккуратно переводить повседневные задачи на язык статистики и выбирать методы для работы с ними.

К концу курса мы научимся грамотно выбирать методы для проверки гипотез, строить доверительные интервалы, а также реализовывать это всё на Python.

"Продвинутые методы машинного обучения" — продолжение специализации “Машинное обучение: от статистики до нейросетей” от НИУ ВШЭ.

В данном онлайн-курсе мы затронем три темы. Первая — решающие деревья и их композиции. Эти методы сильно отличаются от линейных, поскольку не являются дифференцируемыми и для их обучения нужны специальные подходы. В то же время композиции деревьев являются крайне мощными алгоритмами, которые широко используются при работе с табличными данными. Особенно подробно мы разберём градиентный бустинг — де-факто стандартный подход для решения сложных задач извлечения закономерностей из данных. Вторая тема — обучение без учителя. Мы поговорим про методы кластеризации, визуализации и понижения размерности. Эти подходы позволяют находить закономерности в данных, даже если у нас нет правильных ответов. Третья тема — рекомендательные системы. Мы обсудим, как уже известные методы можно применять для их построения, а также какая специфика в них возникает. По итогам курса в дистанционном формате вы поймёте, как устроены все ключевые моменты в машинном обучении, освоите сложные методы, а также получите хороший практический опыт подготовки данных, их визуализации, построения и анализа моделей.