Proqram

Maşın Öyrənmə-2

Maşın öyrənmə və onun üsulları, nümunələri müəyyən etmək və hər hansı bir layihə və ya işin fayda nəticələrini şərh etmək üçün sinir şəbəkələrini öyrətməyinizə kömək edə bilər. Maşın və dərin öyrənmə proseslərini öyrənən bütün yeni gələnlər, texnologiyanın önündəki maraqlı problemləri öyrənərək davamlı olaraq inkişaf edir. Maşın öyrənmə tətbiq sahələri müxtəlifdir, lakin marketinq, fintech, böhran idarəçiliyi, risk idarəçiliyi, təhlükəsizlik, tibb, robototexnika və s. Məlumat təhlilində maşın öyrənmənin ən çətin sahəsi olduğu barədə geniş yayılmış stereotip sadəcə bir mifdir.

Kursumuz maşın öyrənmə əsaslarını mənimsəməyinizə, yaddaşınızdakı riyazi çərçivəni yeniləməyinizə və maşın öyrənmə alqoritmləri ilə işləmək üçün tam bir alət dəsti verməyinizə kömək edəcək.

Hazırda proqrama müraciət aktiv deyil
Başlanğıc

20 sentyabr

Müddət

4 ay

Qrup

25-30 nəfər

Tədris qrafiki

Həftəsonu bootcamp

Qəbul şərtləri
Gözlənti

İntensiv tədrisə hazırlıq; Fərdi noutbuk və ya kompüter

Dil biliyi

İngilis dili biliyi: Orta (B2)

Tələb

Python biliyi, NumPy ilə iş təcrübəsi, Pandas üstünlükdür; Ali təhsil səviyyəsində statistika, riyaziyyat bilikləri

Yaş həddi

18 yaş və yuxarı

Kurs tələbələrə bunları qazandıracaq:

Layihəni addım -addım təhlil etmək bacarığı Maşın öyrənmə alqoritmlərindən istifadə etmək (reqressiya, qərar ağacı, təkan)

Maşın öyrənmə alqoritmlərindən istifadə etmək (reqressiya, qərar ağacı, təkan)

Alqoritmləri vəzifəyə və modelə uyğun istifadə etməyi bacarmaq

Machine Learning modelləri qurmaq və hər hansı bir problemi həll etmək üçün onları necə birləşdirməyi bilmək

Məlumatların əvvəlcədən işlənməsi və məlumatların təsdiqlənməsi üçün modelin performans göstəricilərini bilmək: Dəqiqlik, Həssaslıq, Geri çağırma və s.

Nəzarətsiz öyrənmə və dərin öyrənmə çərçivələri ilə başa düşmək və tətbiq etmək.

Proqram

Maşın Öyrənmə-2
4

Modul sayı

  • Ehtimal yeniləməsi, Bayes statistikası, KDE
  • Matrix hesabı, Matrix parçalanması
  • Normal paylanma. Bölgü kvartilləri və qutu sahəsi
  • Mərkəzi limit teoremi
  • Ortalama dəyər üçün güvənilir intervallar. Tapşırıqlar, təsnifat və səhvlər anlayışı. Təsnifat keyfiyyət göstəriciləri
  • Statistik Hipotezlərin Test Edilməsi. Parametrik olmayan testlər
  • Kombinatorika və İnferensial statistika
  • jupyter + numpy
  • pandas + matplotlib + seaborn +scipy
  • ML -ə giriş
  • ML layihəsinin həyat dövrü
  • Train / test bölünməsi
  • KNN təsnifatçısı
  • Sadə qiymətləndirmə: dəqiqlik / geri çağırma / f-hesab / dəqiqlik, ROC / PR AUC, əsas model müqayisə
  • Qarışıqlıq matrisi

  • KNN regressor
  • RMSE, MAE
  • Sadə xüsusiyyət mühəndisliyi
  • 1-hot kodlaşdırma
  • Çatışmayan dəyər itirmə strategiyaları 
  • Ölçmə strategiyaları 

  • Məlumat mənbələri
  • Sütun Transformatoru
  • Gini əmsalı
  • Decision tree nəzəriyyəsi
  • Decision tree (təsnifatçı + regressor)
  • Decision tree Tənzimlənməsi 

  • Xətti reqressiya nəzəriyyəsi - qapalı forma
  • Sklearnda xətti reqressiya
  • Tənzimləmə (Ridge, Lasso) nəzəriyyəsi
  • Ridge, Lasso, ElasticNet öyrənməkdədir 

  • Çarpaz doğrulama
  • GridSearchCV
  • Xüsusiyyət mühəndisliyi - Polinom Xüsusiyyətləri 

  • Orta kodlaşdırmalar
  • PCA - nəzəriyyə
  • PCA öyrənməkdədir 

  • Xaricdən aşkarlama
  • Naive Bayes nəzəriyyəsi
  • Naive Bayes öyrənir

  • Logistik reqressiya nəzəriyyəsi
  • Sklearnda logistik reqressiya 

  • Xüsusiyyət seçimi strategiyaları
  • Model ansamblları (VotingClassifier və s.)
  • Çantalı ansambllar
  • Random forest

  • Gücləndirmə nəzəriyyəsi
  • Sklearn + digər kitabxanalarda modellərin gücləndirilməsi

  • Qeyri -bərabər təsnifat
  • Çox etiketli təsnifat
  • Modelin izah edilə bilməsi (permütasiyanın əhəmiyyəti, qismən sahələr, SHAP dəyərləri; eli5, shap, LIME)

  • K-çoxluq nəzəriyyəsi deməkdir
  • K-sklearnda qruplaşma deməkdir
  • Klaster qiymətləndirilməsi
  • # Çoxluq seçimi
  • GMM qruplaşması - əsas nəzəriyyə
  • Sualda GMM qruplaşması
  • Digər qruplaşdırma alqoritmlərinin nəzərdən keçirilməsi
  • Nəzarət olunan öyrənmə qrupları (xüsusiyyət mühəndisliyi / hər bir qrup üçün ayrı model / ...)

  • Ölçülərin azaldılması (t -SNE, UMAP) - az nəzəriyyə + təcrübə
  • Bayes optimallaşdırması
  • Optuna ilə hiperparametrlərin optimallaşdırılması 

Neural Networks Giriş:

  • Tarixçə
  • Çox səviyyəli Perceptron
  • Neural Network quruluşu
  • İrəli yayılma
  • Backpropagation
  • Stokastik gradient enişi 

Numpy -də sadə NN tətbiqi

  • tf2 + keras təqdimatı
  • Sadə başdan-sona nümunə
  • Ardıcıl model
  • Sıx təbəqə
  • Aktivləşdirmə funksiyaları
  • Optimizatorlar
  • İtirmə funksiyaları
  • Dropout
  • Toplu normallaşdırma
  • Modellərin saxlanması və yüklənməsi

  • Zənglər (LR planlaşdırma, erkən dayandırma)
  • Modelin son tənzimlənməsi
  • Ağırlığın başlanğıc strategiyaları
  • Funksional API 

  • Tensorboard
  • GPU ilə işləmək (Google Colab)
  • Konvolyutsion sinir şəbəkələri (1D + 2D) 

  • Mətn emalı və NLP -yə giriş
  • Sözlər çantası mətn təsnifatçısı (nəzəriyyə + daxil olmaqla sklearn, CountVectorizer)
  • TF-IDF kodlaşdırması (nəzəriyyə + sklearn TfIdfVectorizer)
  • n qram
  • söz buludunun vizualizasiyası
  • nltk kitabxanası
  • Söz və cümlə tokenizasiyası
  • POS etiketləmə
  • Stemming və lemmatizasiya 

  • word2vec nəzəriyyəsi
  • gensim kitabxana + word2vec demo
  • spaCy kitabxanasına ümumi baxış (nisbətən ətraflı) 

  • Tf2 -də təbəqələrin yerləşdirilməsi
  • Mətn emalı üçün təbəqələrin yerləşdirilməsi
  • RNN nəzəriyyəsi
  • TF2 -də RNN
  • LSTM nəzəriyyəsi
  • TF2 -də LSTM
  • GRU nəzəriyyəsi
  • Tf2 -də GRU
  • Mətn emalı üçün RNN (LSTM, GRU)

  • Diqqət və transformator memarlığı
  • Huggning Face Transformers kitabxanası
  • Böyük əvvəlcədən hazırlanmış dil modellərindən istifadə (məsələn, BERT)
  • Zənginləşdirmə mövzularına ümumi baxış:
  • GAN -lar
  • Gücləndirici öyrənmə 

Tövsiyə sistemləri

  • Praktiki dərslər