Цель курса — подготовить слушателя к самостоятельному решению задач машинного обучения: постановке измеримой цели, сбору и подготовке данных, выбору алгоритмов, настройке моделей и обоснованной оценке результатов. Полученная компетенция позволит создавать решения для прогнозирования, классификации, обработки текстов и изображений.
Слушатель сможет выстраивать полный рабочий контур от эксперимента до развёртывания, контролировать воспроизводимость, выявлять ухудшение качества и планировать обновление модели в условиях реальной эксплуатации.
Освоить математические и алгоритмические основы моделирования, систематизировать подходы к сбору, очистке и исследованию данных, закрепить применение Python для построения вычислительных процессов. Расширить понимание методов обучения с учителем и без учителя, ансамблей и нейронных сетей.
Отработать выбор метрик, разделение выборок и валидацию результатов; развить навыки настройки моделей для текста и изображений, а также применять методы мониторинга, версионирования и сопровождения решений после развёртывания.
Слушатели будут знать математические понятия, лежащие в основе оптимизации, вероятностного вывода и представления данных; устройство алгоритмов регрессии, классификации, кластеризации, ансамблей и нейронных сетей. Теоретическая база включает критерии качества, схемы валидации и причины переобучения.
Отдельное внимание уделяется структуре наборов данных и модельной документации, архитектуре программных компонентов, принципам версионирования, мониторинга и безопасной эксплуатации систем, обрабатывающих числовые данные, тексты и изображения.
Слушатели смогут анализировать исходные данные, составлять воспроизводимые конвейеры подготовки признаков, применять алгоритмы классификации, регрессии и кластеризации, а также настраивать ансамбли и нейронные сети. Практические действия включают выбор метрик, проведение экспериментов и оценку устойчивости результата.
Полученные навыки позволят планировать развёртывание моделей, оформлять паспорта и отчёты, документировать версии данных и кода, контролировать рабочие показатели, выявлять смещение распределений и сопровождать решение при обновлении требований.