"Продвинутые методы машинного обучения" — продолжение курса "Основы машинного обучения", где речь шла о принципах и базовых методах из этой области. В данном курсе мы затронем три темы. Первая — решающие деревья и их композиции. Эти методы сильно отличаются от линейных, поскольку не являются дифференцируемыми и для их обучения нужны специальные подходы. В то же время композиции деревьев являются крайне мощными алгоритмами, которые широко используются при работе с табличными данными. Особенно подробно мы разберём градиентный бустинг — де-факто стандартный подход для решения сложных задач извлечения закономерностей из данных. Вторая тема — обучение без учителя. Мы поговорим про методы кластеризации, визуализации и понижения размерности. Эти подходы позволяют находить закономерности в данных, даже если у нас нет правильных ответов. Третья тема — рекомендательные системы. Мы обсудим, как уже известные методы можно применять для их построения, а также какая специфика в них возникает. По итогам курса вы поймёте, как устроены все ключевые моменты в машинном обучении, освоите сложные методы, а также получите хороший практический опыт подготовки данных, их визуализации, построения и анализа моделей.