Aprendizaje automático: herramientas y prácticas fundamentales - curso 51.590 rublos. de Netología, formación 10 meses, Fecha 30 de noviembre de 2023.
Miscelánea / / December 02, 2023
Utilice ejemplos para estudiar los algoritmos básicos y descubrir en qué casos utilizarlos.
Aprenda a comparar algoritmos en conjuntos de datos ya preparados e identificar métodos para mejorar la calidad.
Construcción del modelo
Aprenda qué es la biblioteca Sklearn y cómo utilizarla. Aprenda algoritmos de agrupación y sea capaz de construir conjuntos de modelos. Aprenda a evaluar modelos y trabajar con sobreajuste. Aprenderá a utilizar GridSearch y RandomizedSearch, CV específico del modelo y enfoque fuera de bolsa.
• Biblioteca Sklearn
• Algoritmos de clasificación: métodos lineales, regresión logística y SVM
• Algoritmos de clasificación: árboles de decisión
• Algoritmos de regresión: lineal y polinómica
• Algoritmos de agrupamiento
• Conjunto
• Evaluación de la precisión del modelo, reentrenamiento y regularización.
• Mejorar la calidad del modelo.
• Organización de proyectos, preparación de informes de investigación.
• Trabajo de laboratorio
• Entrega del proyecto intermedio
Trabajando con el cliente
Aprenderá a planificar el desarrollo de proyectos de ciencia de datos, así como a informar de manera competente a los clientes sobre los resultados de la investigación.
• Organización del proyecto
• Elaboración de informes de investigación.
Sistemas de recomendación
En este y los siguientes bloques aplicarás los conocimientos adquiridos en diferentes áreas del aprendizaje automático. Durante este bloque, aprenderá cómo crear sistemas de recomendación personalizados y no personalizados, y cómo combinarlos.
• Introducción y clasificación de sistemas de recomendación.
• Recomendaciones basadas en contenido
•Filtración colaborativa
• Sistemas de recomendación no personalizados
• Algoritmos híbridos
Visión por computador
Dominará las técnicas básicas de visión por computadora: extracción de características, búsqueda de imágenes, segmentación, detección de objetos y también aprenderá a construir redes neuronales.
• Búsqueda por imágenes
• Segmentación de imágenes, detección de objetos.
• Aplicación de redes neuronales ultraprecisas para tareas de segmentación y detección
• Aplicación de redes recurrentes en problemas de procesamiento de imágenes.
• Redes generativas adversarias (GAN)
Procesamiento del lenguaje natural (PNL)
Dominarás el análisis morfológico y sintáctico, la semántica de distribución y la recuperación de información. aprender a reducir la dimensionalidad en un modelo vectorial, clasificar, extraer información y generar textos.
• Análisis morfológico y sintáctico
• Métodos para reducir la dimensionalidad en un modelo vectorial. Búsqueda de información
• Modelado de temas (LSA, LDA, HDP)
• Semántica distributiva (word2vec, GloVe, AdaGram)
• Modelos de lenguaje contables y modelos de lenguaje probabilísticos. LSTM. traducir automáticamente
• Generación de texto (Generación de Lenguaje Natural)
• Problema de clasificación en AOT
Series de tiempo
En esta unidad intensiva, aprenderá a identificar el origen y la estructura de una serie de tiempo, predecir valores futuros para una toma de decisiones efectiva al construir modelos de aprendizaje automático. Comprenderá qué hay "detrás del capó" de los métodos y bibliotecas populares.
• Algoritmos para el procesamiento de series temporales
• Modelos ARIMA y GARCH
• Procesos aleatorios de Markov
Hackatón final
Completemos el entrenamiento compitiendo con compañeros de curso: como parte de un mini-equipo por un tiempo limitado y basado en conjuntos de datos de los principales jugadores. mercado, tendrás que resolver problemas de previsión de ventas u optimización de la producción, utilizando todos los conocimientos y habilidades adquiridos en curso. La integración y el uso de soluciones de aprendizaje automático en los negocios, por regla general, implica el juego en equipo, por lo que un hackathon también es útil para entrenar las habilidades sociales necesarias.
Proyecto de graduación
Como parte de su proyecto de tesis, construirá un modelo de ML para resolver sus problemas profesionales actuales: este podría ser un sistema previsión de ventas, reconocimiento de objetos en fotografías o vídeos, análisis de series temporales, análisis de grandes cantidades de texto, etc. d. Si en este momento no tienes ideas para tu proyecto (o acceso a los datos necesarios), te ofreceremos un caso de estudio en un área de tu interés basado en un conjunto de datos reales de otras empresas. La tesis se completa de forma independiente bajo la guía de expertos del curso y le permite consolidar toda la gama de conocimientos y habilidades adquiridos en el programa.