Машинное обучение
Целевая аудитория: Руководители, специалисты (группа от 10 человек)
Длительность курса: 48 ак. часов
Место проведения: Виртуальная школа Сбербанка
Стоимсть: 16 800 руб.

Для совершения покупки необходимо выполнение одного из условий:1) Общая сумма договора – от 50 000 рублей;
2) Количество слушателей – от 10 человек.

Краткое описание
Программа повышения квалификации Корпоративного университета Сбербанка. Программа рассчитана на профильных специалистов, прошедших входное тестирование.

Цели:
  • Улучшить процессы, требующие интеллектуальной обработки данных
  • Познакомить с современными методами интеллектуальной обработки данных (включая методы машинного обучения)
  • Сформировать практические навыки работы с инструментами анализа данных и машинного обучения
Результат / навыки

Знания

  • Постановки задач машинного обучения (classification, regression, clustering)
  • Современного инструментария по работе с данными, алгоритмам машинного обучения
  • Фундаментальных проблем анализа неполных, гетерогенных данных со сложной структурой или скрытым представлением
  • Возможностей и ограничений существующих методов и инструментария машинного обучения
Умения
  • Работать с предобработкой, анализом и визуализацией данных
  • Выбирать отвечающий задаче алгоритм машинного обучения и оценивать его эффективность
  • Выбирать метрику качества в соответствии с бизнес-задачей
  • Применять полученные знания для анализа реальных данных и бизнес-кейсов
Навыки
  • Обладание достаточным опытом для решения прикладных задач в области машинного обучения и анализ данных при помощи современных библиотек на языке программирования Python
  • Корректно сопоставлять задачи машинного обучения и задачи бизнеса
  • Принимать решение по организации процессов работы с данными и оценки постановки задач анализа данных относительно качественных и количественных характеристик данных

Содержание программы
  • Введение в анализ данных
  • Введение в Python, библиотеки numpy, pandas. Статистические возможности Python. Визуализация данных. Сбор данных: скрейпинг (обработка HTML) и работа с открытыми API (JSON). Анализ сетевых структур и распространение информации в социальных сетях
  • Модели и методы машинного обучения
  • Кластеризация: метод K-средних, обнаружение аномалий, поиск сообществ на графах.
  • Регрессия: качество предсказания, Lasso/Ridge регуляризация. Отбор признаков, снижение размерности. Рекомендательные системы
  • Модели и методы машинного обучения
  • Классификация: метрические методы (kNN), вероятностные (NaiveBayes), логистическая регрессия, деревья решений, случайный лес, метод опорных векторов (SVM), градиентный бустинг и ансамблевые методы
  • Обзор проблем: метрики качества, несбалансированные классы, переобучение
  • Нейронные сети и обучения представлениям
  • Теоретические основы обучения искусственных нейронных сетей. Полносвязные и сверточные нейронные сети. Автоэнкодеры: применение для детектирования фрода. Визуализация внутреннего состояния нейронной сети
Машинное обучение
Цифровые навыки
Название компании