ПРОГРАММА КУРСА «МАШИННОЕ ОБУЧЕНИЕ НА PYTHON»

1. Место машинного обучения в области искусственного интеллекта
   Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета (2 часа).
   Практическая часть: первичный анализ датасета, предобработка данных (2 часа).
2. Классификация, деревья, случайный лес
   Теоретическая часть: определение и примеры задач классификации. Математическое описание модели решающего дерева в задачи бинарной классификации. Метрики бинарной классификации (2 часа).
   Практическая часть: решение задач бинарной и множественной классификаций (2 часа).
3. Линейные модели для классификации и регрессии
   Теоретическая часть: определение и примеры задач регрессии. Математическое описание модели линейной регрессии. Метрики задач регрессии. Способы регуляризации (2 часа).
   Практическая часть: решение задачи регрессии (2 часа).
4. Кластеризация и снижение размерности
   Теоретическая часть: определение и примеры задач кластеризации. Математическое описание модели kNN. Связь кластеризации с понижением размерности пространства объектов датасета (2 часа).
   Практическая часть: решение задачи кластеризации и понижения размерности данных (2 часа).
5. Решение ml-задачи на текстовых данных
   Теоретическая часть: введение в NLP, обработка текстовых данных, векторные представления текста (2 часа).
   Практическая часть: решение задачи классификации на текстовом корпусе (2 часа).
6. Использование моделей машинного обучения в production
   Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask (2 часа).
   Практическая часть: создание веб-сервиса на фреймворке Flask (2 часа).