Python für maschinelles Lernen – Kurs 49.990 RUB. vom Spezialisten, Ausbildung, Datum: 27. November 2023.

Der Kurs konzentriert sich auf den Einsatz von Python für maschinelle Lerntechnologien. Es werden die wichtigsten beim maschinellen Lernen verwendeten Bibliotheken und Methoden zu ihrer Verwendung untersucht.
Der Kurs wird auf Basis der Machine-Learning-Bibliotheken Scikit-Learn und TensorFlow unterrichtet. Während des Lernprozesses werden die Entwicklungstools Jupyter Notebook und Jupyter-Lab aktiv genutzt. Es werden auch Cloud-Computing-Ressourcen von Google Colab genutzt.
Der Kurs wird Python-Programmierern und Data-Science-Spezialisten empfohlen.

Du wirst es lernen:
maschinelle Lerntechnologien anwenden;
Verwenden Sie Klassifizierungs-, Regressions- und Clustering-Modelle.
Verwenden Sie Datenvorverarbeitungsmethoden und maschinelles Lernen.
Wählen Sie Modelle für maschinelles Lernen basierend auf der Qualität ihrer Arbeit aus;
Vertiefen Sie Ihre Python-Kenntnisse und beherrschen Sie moderne Werkzeuge zur Entwicklung von Modellen für maschinelles Lernen.

Modul 1. Darstellung des Problems des maschinellen Lernens (2 ac. H.)

Drei Arten maschinellen Lernens.
Schema zum Aufbau maschineller Lernsysteme.
Notwendige Werkzeuge.
Üben Sie die Erstellung einer Arbeitsumgebung und die Verwendung von Anaconda und Jupyter Notebook.
Modul 2. Training mit einem Lehrer. Klassifizierungsproblem (6 ak. H.)
Das Konzept eines neuronalen Netzwerks.
Perzeptron. Definition, Umsetzung und Schulung.
Adaptives lineares Neuron. Definition, Umsetzung und Schulung.
Gradientenabstiegsmethode.
Stochastischer Gradientenabstieg in einem adaptiven linearen Neuron.
Dynamisches Lernen zu Big Data.
Üben Sie mit Modell- und Scikit-Learn-Datensätzen.
Üben Sie im Jupyter Notebook.
Modul 3. Die Scikit-Learn-Bibliothek, ihre Hauptfunktionen (6 ac. H.)
Perzeptron-Training.
Logistische Regressionsmethode.
Support-Vektor-Maschine.
Die Methode der k-nächsten Nachbarn.
Entscheidungsbäume.
Ein Ensemble beliebiger Bäume.
Üben Sie im Jupyter Notebook.
Modul 4. Training mit einem Lehrer. Regressionsproblem (6 ak. H.)
Training mit einem Lehrer. Regressionsproblem.
Lineare Regression.
Methode der kleinsten Quadrate.
Gradientenabstiegsmethode.
Arbeiten mit Emissionen. RANSAC()-Algorithmus.
Bootstrap-Technik für Regressionskoeffizienten.
Beurteilung der Qualität des Regressionsmodells.
Grundlagen der nichtlinearen Regression.
Üben Sie im Jupyter Notebook.
Modul 5. Datenvorverarbeitung, Auswahl von Features und Modellen (6 ac. H.)
Umgang mit fehlenden Daten.
Verarbeitungskategorien.
Vorverarbeitungs- und Trainingsmodelle.
Auswahl wesentlicher Merkmale.
Erkundung wichtiger Merkmale mithilfe zufälliger Wälder.
Pipelines für maschinelles Lernen.
Kreuzvalidierung und Modellauswahl.
Üben Sie im Jupyter Notebook.
Modul 6. Lernen ohne Lehrer. Clusteranalyse (6 ac. H.)
K-means-Methode.
Hauptkomponentenanalyse.
Lineare Diskriminanzanalyse.
Hierarchisches Clustering.
Clustering nach Dichte.
Üben Sie im Jupyter Notebook.
Modul 7. Grundlagen des Deep Learning (8 ac. H.)
Graphen und verteiltes Rechnen.
Tensorflow installieren.
Tensoren.
Datensätze.
Anwendungsschnittstelle (API) Keras.
Lineare Regression mit stochastischem Gradientenabstieg.
Klassifizierung von Irisdaten durch ein zweischichtiges neuronales Netzwerk.
Aktivierungsfunktionen von Neuronenschichten.
MNIST-Datenklassifizierung.
Üben Sie in Google Colab.