Курс для специалистов с базовым знанием Python или другого языка программирования, которые хотят освоить методы машинного обучения и основные концепции искусственного интеллекта. Курс охватывает классические алгоритмы ML, оценку качества моделей, ансамблевые методы, а также базовые представления об NLP, компьютерном зрении и внедрении моделей.
Цели курса
После курса вы сможете:
Понимать основные концепции и типы задач машинного обучения
Готовить и обрабатывать данные для построения моделей
Строить и обучать модели классификации и регрессии
Оценивать качество моделей и подбирать гиперпараметры
Работать с ансамблевыми методами (Random Forest, Gradient Boosting)
Понимать основы NLP и компьютерного зрения
Разворачивать обученную модель в виде простого сервиса
Часть 1
1. Введение в машинное обучение и искусственный интеллект
Что такое AI, ML, DL: соотношение понятий
История и области применения
Типы задач: обучение с учителем, без учителя, с подкреплением
Обзор экосистемы (scikit-learn, TensorFlow, PyTorch)
Постановка ML-задачи и pipeline проекта
2. Подготовка данных для машинного обучения
Разведочный анализ данных (EDA)
Обработка пропусков и выбросов
Кодирование категориальных признаков
Масштабирование и нормализация признаков
Разделение на train / validation / test
Часть 2
3. Линейные модели
Линейная регрессия
Логистическая регрессия
Регуляризация (L1, L2)
Градиентный спуск
Интерпретация коэффициентов модели
4. Метрики и оценка качества моделей
Метрики регрессии (MAE, MSE, RMSE, R²)
Метрики классификации (Accuracy, Precision, Recall, F1, ROC-AUC)
Кросс-валидация
Переобучение и недообучение
Подбор гиперпараметров (GridSearch, RandomSearch)
Часть 3
5. Деревья решений и ансамблевые методы
Деревья решений
Random Forest
Bagging и Boosting
Gradient Boosting (XGBoost, LightGBM, CatBoost)
Важность признаков (feature importance)
6. Метод опорных векторов и другие алгоритмы
SVM (Support Vector Machines)
k-Nearest Neighbors (kNN)
Naive Bayes
Кластеризация (K-Means, DBSCAN, иерархическая кластеризация)
Снижение размерности (PCA)
Часть 4
7. Искусственный интеллект и интеллектуальные системы
Экспертные системы и логический вывод
Поиск и оптимизация: эвристики, генетические алгоритмы
Обучение с подкреплением: основы
Агенты и среда
Этика и ограничения AI
8. Обработка естественного языка (NLP): основы
Токенизация и предобработка текста
Векторное представление текста (Bag of Words, TF-IDF)
Word embeddings (Word2Vec, GloVe): обзор
Простые модели классификации текста
Обзор современных языковых моделей (LLM)
Часть 5
9. Компьютерное зрение: основы
Представление изображений
Классические методы обработки изображений
Обзор сверточных нейронных сетей (CNN)
Задачи компьютерного зрения: классификация, детекция, сегментация
10. Внедрение и эксплуатация ML-моделей
Сохранение и загрузка моделей
Разворачивание модели в виде API (Flask / FastAPI)
MLOps: основные понятия
Мониторинг моделей в продакшене
Итоговый проект: от данных до готовой модели
