Mašininis mokymasis – kursas 39 240 RUB. iš SkillFactory, mokymas 12 savaičių, data 2023 m. rugpjūčio 13 d.

Įvadas į mašininį mokymąsi
— Susipažįstame su pagrindinėmis mašininio mokymosi užduotimis ir metodais, studijuojame praktinius atvejus ir taikome pagrindinį algoritmą dirbant su ML projektu
- Išsprendžiame daugiau nei 50 problemų, kad įtvirtintume temą

Išankstinio duomenų apdorojimo metodai
- Mes tiriame duomenų tipus, mokomės išvalyti ir praturtinti duomenis, naudojame vizualizaciją išankstiniam apdorojimui ir valdome funkcijų inžineriją
- Išsprendžiame daugiau nei 60 problemų, kad įtvirtintume temą

Regresija
- Mes tiriame duomenų tipus, mokomės išvalyti ir praturtinti duomenis, įvaldome tiesinę ir logistinę regresiją, tiriame pritaikomumo ribas, analitinę išvadą ir reguliavimą
— Regresijos modelių mokymas
- Išsprendžiame daugiau nei 40 problemų, kad įtvirtintume temą

Klasterizavimas
— Įvaldome mokymąsi be mokytojo, praktikuojame įvairius jo metodus, dirbame su tekstais naudodami ML
- Išsprendžiame daugiau nei 50 problemų, kad įtvirtintume temą

Medžiu pagrįsti algoritmai: įvadas į medžius
- Susipažinimas su sprendimų medžiais ir jų savybėmis, įsisavinti medžius iš sklearn bibliotekos ir naudojant medžius sprendžiant regresijos problemą
- Išsprendžiame daugiau nei 40 problemų, kad įtvirtintume temą

Medžiu pagrįsti algoritmai: ansambliai
- Mes tiriame medžių ansamblių ypatybes, praktikuojame stiprinimą, naudojame ansamblį logistinei regresijai kurti
 - Išsprendžiame daugiau nei 40 problemų, kad įtvirtintume temą
 — Dalyvaujame kaggle konkurse, skirtame modeliui iš medžio ruošti

Algoritmų kokybės vertinimas
— Studijuojame imčių padalijimo, perpratimo ir persitreniravimo principus, vertiname modelius naudodami įvairius kokybės rodiklius, mokomės vizualizuoti mokymosi procesą
— Vertiname kelių ML modelių kokybę
- Išsprendžiame daugiau nei 40 problemų, kad įtvirtintume temą

Mašininio mokymosi laiko eilutės
— Susipažinimas su laiko eilučių analize ML, tiesinių modelių ir XGBoost įsisavinimas, kryžminio patvirtinimo ir parametrų pasirinkimo principų studijavimas
- Išsprendžiame daugiau nei 50 problemų, kad įtvirtintume temą

Rekomendacinės sistemos
— Studijuojame rekomendacinių sistemų konstravimo metodus, įsisaviname SVD algoritmą, vertiname apmokyto modelio rekomendacijų kokybę
- Išsprendžiame daugiau nei 50 problemų, kad įtvirtintume temą

Finalinis hakatonas
— Taikome visus ištirtus metodus, kad gautume maksimalų kaggle modelio prognozių tikslumą