Программа профессиональной переподготовки “Машинное обучение для преподавателей вузов”

В рамках данной дисциплины слушатели изучат следующие темы:
     - Базовые операции; условные операторы.
     - Строки и списки.
     - Циклы.
     - Функции в Python.
     - Итераторы, генераторы, генераторы списков.
     - Рекурсия.
     - Работа с файлами.
     - Продвинутая работа со словарями.
     - Хранение и работа с данными в табличном формате (pandas).
     - Сбор данных (web-scraping с BeautifulSoup, Selenium, работа с сервисами через API).
     - Объектно-ориентированное программирование.
     - Основы использования numpy и pandas.
     - Работа с пропущенными данными.
     - Визуализация для презентации данных (matplotlib); интерактивная визуализация (plotly).
     - Разведывательный анализ данных.
 

Предусматривается возможность досрочного зачета дисциплины в том случае, если материал уже знаком слушателю на момент начала профессиональной переподготовки.

В рамках данной дисциплины слушатели изучат следующие темы:
    - Введение и основные задачи.
    - Линейная регрессия.
    - Градиентные методы обучения.
    - Линейная классификация и метрики качества классификации.
    - Логистическая регрессия и SVM.
    - Многоклассовая классификация, работа с категориальными признаками и текстами.
    - Решающие деревья.
    - Бэггинг и случайные леса.
    - Градиентный бустинг.
    - Градиентный бустинг: имплементации.
    - Отбор признаков и понижение размерности.
    - Кластеризация.
    - Поиск аномалий.
    - Рекомендательные системы.
    - Ранжирование.

В рамках данной дисциплины слушатели изучат следующие темы:
    - MapReduce.
    - HDFS. Apache Spark. RDD.
    - SparkSQL. Анализ больших данных.
    - Подробнее о модели вычислений Spark. Знакомство со Scala.
    - Алгоритмы машинного обучения на больших данных. spark.ml.
    - Рекомендательные системы.
    - Обработка потоковых данных. Structured Streaming и интеграция с spark.ml.
    - Модели в production. Управление кластером.

В рамках данной дисциплины слушатели изучат следующие темы:
    - Ведение в нейросети.
    - Адаптивные варианты градиентного спуска.
    - Алгоритм обратного распространения ошибки.
    - Инструменты в Python для обучения нейронных сетей.
    - Батч-нормализация. Инициализация. Эвристики для обучения сетей.
    - Свёрточные нейронные сети.
    - Inception. Resnet. Transfer learning. Metric Learning.
    - Интерпретация свёрточных нейронных сетей. Перенос стиля.
    - Автокодировщики, вариационные автокодировщики.
    - Генеративные нейронные сети.
    - Введение в NLP, word2vec, эмбеддинги.
    - Рекурентные неросети, LSTM, GRU.
    - Свёрточные сети для NLP.
    - Fasttext, ELMO. Transformer models. BERT.
    - Seq2Seq модели.
    - Введение в RL. Введение в байесовские нейронные сети.