Введение в машинное обучение. Курс от ВШЭ и ШАД на coursera.org

В процессе прохождения курса слушатель изучает основные типы задач, решаемых с помощью машинного обучения — в основном речь идёт о классификации, регрессии и кластеризации. Узнает об основных методах машинного обучения и их особенностях, учится оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, знакомится с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества.

Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Желательно знать Python.

Программа курса

Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса.

1. Предобработка данных в Pandas
2. Важность признаков

Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент.

3. Выбор числа соседей
4. Выбор метрики
5. Нормализация признаков

Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации.

6. Опорные объекты
7. Анализ текстов
8. Логистическая регрессия
9. Метрики качества классификации

Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент.

10. Линейная регрессия: прогноз оклада по описанию вакансии
11. Составление фондового индекса

Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети.

12. Размер случайного леса
13. Градиентный бустинг над решающими деревьями

Неделя 6. Кластеризация и визуализация. Частичное обучение.

14. Уменьшение количества цветов изображения

Неделя 7. Прикладные задачи анализа данных: постановки и методы решения.

15. Проект: предсказания победителя в онлайн-игре