Дополнительные главы машинного обучения

Длительность
  • 20 занятий
  • 80 ак. часов
Курс препода ет
  • Владимир Гулин Владимир Гулин
Получаемые навыки

По завершению курса студенты получат знания о том, как устроены системы машинного обучения в крупных интернет проектах, а также практические навыки для успешного участия в таких проектах.

Контроль знаний

Цель курса — формирование практических навыков работы с методами машинного обучения, необходимых для решения задач возникающих в реальной практике крупных интернет проектов.

В реальных задачах машинного обучения часто приходится сталкиваться с "большими данными" (такие данные невозможно обработать за разумное время на одной машине). Поэтому для работы с такими данными приходится применять специализированные алгоритмы, а также задумываться над тем как можно адаптировать классические алгоритмы машинного обучения.
В ходе курса будут рассмотрены алгоритмы машинного обучения, широко применяемые крупными компаниями по всему миру в своих продуктах и сервисах.

Лекция №1

Ансамбли. Стохастические модели.

4 часа 2 часа СР

Лекция №2

Ансамбли. Бустинг.

4 часа 2 часа СР

Лекция №3

Ансамбли. Кульминация и развязка.

4 часа 2 часа СР

Лекция №4

LightGbm & CatBoost

4 часа 2 часа СР

Рубежный контроль №1

Проверка коллоквиума № 1

4 часа 3 часа СР

Лекция №5

Вопросы построения обучающих данных. Active Learning

4 часа 2 часа СР

Лекция №6

SemiSupervised Learning 1

4 часа 2 часа СР

Лекция №7

SemiSupervised Learning 2

4 часа 4 часа СР

Смешанное занятие №1

Дополнительное занятие с проверкой дз и ответами на вопросы

4 часа 2 часа СР

Лекция №8

Recomendation Systems 1

4 часа 2 часа СР

Лекция №9

Recomendation Systems 2

4 часа 2 часа СР

Лекция №10

???

4 часа 2 часа СР

Лекция №11

Машинное обучение в онлайн рекламе 1

4 часа 2 часа СР

Лекция №12

Машинное обучение в онлайн рекламе 2

4 часа 2 часа СР

Лекция №13

Машинное обучение на больших данных.

4 часа 4 часа СР

Рубежный контроль №4

Проверка ДЗ 4

4 часа

Лекция №14

Машинное обучение на больших данных

4 часа

Лекция №14

Контентные рекомендательные системы

4 часа

Экзамен №1

Экзамен

4 часа

Пересдача №1

Пересдача

4 часа

Также в третьем семестре:
Методы распределенной обработки больших объемов данных в Hadoop

После прохождения курса студенты освоят:

— общие знания относительно способов хранения и методов обработки больших объемов данных

— общие знания относительно работы распределенных систем в контексте фреймворка Hadoop

— практические навыки разработки приложений используя программную модель MapReduce

Информационный поиск. Часть 2

Студенты в завершении данного курса получат знания в области задач машинного обучения, узнают, как решается одна из самых сложных проблем искусственного интеллекта, понимание потребностей человека и поиск подходящего решения.

© Mail.Ru Group, 2011–2018

Обратная связь

Присоединяйся:

Группа ВКонтакте
  • Дизайн:
    Nimax
  • Разработка:
    Лаборатория
    технопарка
Версия портала - 5.33.3