Для кого этот курс?
Для преподавателей информатики, программирования, ИТ-дисциплин, которые хотят вести современные курсы по анализу данных и машинному обучению.
Для разработчиков и инженеров, планирующих внедрять алгоритмы ML в реальные бизнес-задачи.
Для аналитиков и менеджеров, которым нужно понимать, как работают модели, и уметь их интерпретировать.
Что вы изучите?
Программа состоит из семи модулей (шесть содержательных + итоговая аттестация). Каждый модуль завершается тестированием, а итог – защита собственного проекта, где вы пройдёте полный цикл ML-исследования: от сбора данных до улучшения модели.
Модуль 1. Введение в машинное обучение (14 ч)
Познакомитесь с основными понятиями: наука о данных, ML, интеллектуальный анализ данных. Разберёте этапы решения задачи, три набора данных, проблемы недообучения и переобучения, регуляризацию, оценку эффективности модели и настройку гиперпараметров. Узнаете, как подбирать алгоритмы под тип входных данных и что такое методология ML Ops.
Модуль 2. Исследование данных, их визуализация и интерпретация (26 ч)
Научитесь работать с числовыми и категориальными переменными, измерять средние значения (среднее, медиана), разброс (квартили, дисперсию, стандартное отклонение). Освоите визуализацию: диаграммы размаха, гистограммы, диаграммы разброса, а также исследование взаимосвязей с помощью перекрёстных таблиц. Это база, без которой невозможно понять, что «говорят» данные.
Модуль 3. Методы классификации (26 ч)
Изучите три классических подхода:
k-NN (метод ближайших соседей) – на примере задачи диагностики рака.
Наивный байесовский классификатор – на примере фильтрации SMS-спама.
Деревья решений и правила – на примере принятия решения о выдаче кредита.
Вы познакомитесь также со случайными лесами и градиентным бустингом.
Модуль 4. Методы числового прогнозирования (26 ч)
Освоите регрессионные методы: простую и множественную линейную регрессию, метод наименьших квадратов, корреляцию. На практике:
спрогнозируете стоимость медицинской страховки для клиента;
оцените качество вина с помощью регрессионного дерева и дерева моделей.
Вы научитесь добавлять нелинейные зависимости, эффекты взаимодействия и интерпретировать матрицу корреляции.
Модуль 5. Обнаружение закономерностей на основе ассоциативных правил (26 ч)
Разберётесь, как работают ассоциативные правила (обобщённые, численные). Изучите алгоритм Apriori – поиск часто встречающихся множеств. На реальном кейсе проанализируете потребительскую корзину продуктового магазина: какие товары покупают вместе, как измерить «интересность» правил (поддержка, доверие), как визуализировать данные о транзакциях.
Модуль 6. Методы кластеризации (26 ч)
Узнаете, что такое кластеризация и для каких задач она применяется. Основной алгоритм – k-средних. На практической работе проведёте сегментацию рынка для подростков (выделите группы покупателей с похожими интересами). Вы научитесь выбирать количество кластеров, интерпретировать результаты и улучшать модель.
Модуль 7. Методы понижения размерности данных (26 ч)
Поймёте, зачем понижать размерность, как визуализировать многомерные пространства и нормализовать переменные. Изучите метод главных компонент (PCA) – создание новой системы координат, достоинства и ограничения. На примере данных об успеваемости школьников примените PCA для снижения числа признаков без потери значимой информации.

Подробнее о программе