Новости
Программы
О школе
Главная
Мнения
© 2022 АНО «Моспром» – Все права защищены
Технологии связи
Аддитивные технологии
Искусственный интеллект
Микроэлектроника и фотоника
Пром. дизайн
Робототехника и сенсорика
Охрана труда
Бережливое производство
Junior machine learning engineer: инженер машинного обучения

Junior machine learning engineer: инженер машинного обучения

Главная
Искусственный интеллект
МГТУ им. Н.Э. Баумана
52 часа
Искусственный интеллект

Образовательная организация

Московский государственный технический университет им. Н. Э. Баумана – российский национальный исследовательский университет, научный центр, особо ценный объект культурного наследия народов России. Готовит инженеров для высокотехнологичных отраслей науки и техники более чем по 100 направлениям

Для кого

Начинающие аналитики и программисты, обладающие средним профессиональным или высшим образованием.
Продолжительность
52 академических часа:
  • 29 часов - лекции и практические занятия
  • 23 часа - изучение дополнительных материалов, выполнение заданий, консультации с преподавателями

Стоимость

16 020 р.

Документ по окончании обучения

Удостоверение о повышении квалификации установленного образца МГТУ им. Н.Э. Баумана

Формат обучения

Размер группы

от 5 человек
Онлайн
Описание курса
Дополнительная профессиональная программа повышения квалификации научит подбирать модель машинного обучения, обучать и использовать в дальнейшей работе, анализируя результат.
Модули
  1. Обзор библиотеки sklearn
  2. Метод главных компонент pca. Метод t-sne для линейно разделимой выборки
  3. Кластеризация. Метод k-means, c-means
  4. Иерархическая кластеризация - hierarchical clustering. Алгоритм кластеризации dbscan
  5. Ключевые задачи в подготовке датасетов и их важность
  6. Разбалансированные датасеты и методы балансировки
  7. Библиотека beautifulsoup. Парсинг данных из html страниц
  8. Обработка категориальных признаков. Labelencoder, one hot encoding
  9. Полная и условная вероятность, теорема Байеса
  10. Байесовский вероятностный классификатор
  11. Метрики классификации. Матрица ошибок
  12. Кросс-валидация. Особенности применения
  13. Метод ближайших соседей k-nn. Метрики подсчета расстояния
  14. Метод опорных векторов (svm). Линейно разделимые и неразделимые выборки, методы обработки
  15. Линейная регрессия. Логистическая регрессия
  16. Метод наименьших квадратов. Средняя квадратичная ошибка, средняя абсолютная ошибка
  17. Решающие деревья (decision tree)
  18. Случайный лес (random forest)
  19. Ансамбли алгоритмов. bagging, boosting, stacking
Подать заявку на обучение