Машинное обучение: от статистики до нейросетей Specialization

Сейчас термины “машинное обучение” или даже “искусственный интеллект” у всех на слуху. Местами это преувеличение и хайп, но у машинного обучения действительно есть много полезных и важных применений. Вы сталкиваетесь с этим каждый день: когда вы ищете что-то в интернете, поисковик предлагает вам странички на основе сложного сопоставления текстов и анализа ваших данных; когда вы жалуетесь в службу поддержки какого-нибудь сервиса или магазина, с большой вероятностью вам отвечает бот; если у вас умные часы, то они, вероятно, используют методы машинного обучения, чтобы понимать, когда вы сидите, стоите или бегаете.

В этом курсе вы можете разобраться с принципами работы методов машинного обучения. Речь пойдёт об обучении с учителем — областью, которая изучена лучше всего и методы из которой наиболее часто используются на практике. Мы обсудим метрические и линейные методы, и на их примере разберём все ключевые концепции: обобщающую способность и переобучение, градиентные методы обучения, измерение качества модели и специализированные метрики качества, подготовку данных для моделей. Мы будем показывать, как это всё делается в Python с помощью его библиотек. По итогам курса вы поймёте, как устроены все ключевые моменты в машинном обучении, а также получите хороший практический опыт подготовки данных, их визуализации, построения и анализа моделей.

"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.

В этом курсе мы изучим основы математической статистики и аккуратную работу с данными.

Мы научимся собирать и обрабатывать данные с помощью Python, поговорим про их визуализацию и предварительный анализ. Мы также познакомимся с основными распределениями и описательными статистиками, с которыми аналитики сталкиваются на повседневной основе. И обсудим теоремы, на которых базируется вся наука о данных: закон больших чисел и центральную предельную теорему.

В этом курсе мы поговорим про статистические методы анализа данных. Мы подробно обсудим, как статистика связана с машинным обучением и какое место она занимает среди наук о данных. Поговорим о том, что есть два великих вопроса: "Как устроен мир?" и "Что будет дальше?". В зависимости от того, на какой вопрос мы ищем ответ, мы должны использовать разные методы.

Мы обсудим метод максимального правдоподобия, поговорим про статистические свойства различных функций потерь. Поговорим о линейной регрессии и временных рядах. В конце курса мы обсудим байесовский подход к статистике и выясним, чем он отличается от частотного.