Курсы по машинному обучению

Приглашаем Вас принять участие в курсе по машинному обучению!

В современном мире повсеместная информатизация привела к накоплению больших объемов данных во всех сферах деятельности: от научной до сферы услуг. Задачи обработки и построения прогнозов по такому количеству данных непосильны для классических методов. Для того чтобы делать практические выводы по огромному объему разнородной информации используется машинное обучение – инструмент для автоматического быстрого анализа больших данных.

Машинное обучение в настоящее время применяется в самых разных областях: в кредитовании клиентов банка, в рекомендательных системах кинофильмов, в прогнозировании онкологических заболеваний.  Уже сейчас эта наука применяется для решения множества прикладных задач, а в будущем ее актуальность вырастет еще больше.

Для анализа больших данных, таких как истории банковских транзакций, статистики интернет-запросов, биоинформатические данные, применение машинного обучения уже давно стало одним из основных подходов. Понимание основ работы с большими данными входит в интеллектуальных багаж любого современного исследователя.

На предлагаемом курсе вы изучите основные типы задач, возникающих в машинном обучении: в основном, речь будет идти о классификации, регрессии и кластеризации. В курсе не будет многочисленных сложных математических выкладок, в первую очередь акцент будет поставлен на том, чтобы слушатель понял принципы машинного обучения и освоил основные алгоритмы для анализа больших данных. Кроме того, слушатели познакомятся с современными библиотеками, в которых реализованы обсуждаемые модели. В качестве домашних заданий будет предложен анализ различных наборов данных, тем самым у пользователя будет возможность применить свои навыки на реальных задачах.

Для участия в курсе необходимо знать базовые математические понятия, такие как: вектора, матрицы, функции и производные.

Обзор лучших онлайн-курсов по машинному обучению

Также желательно иметь некоторые навыки программирования на языке Python.

Данный курс будет полезен каждому, кто планирует применять в своей работе интеллектуальный анализ данных.

Форма обучения – очная (вечерняя).

Запись на курс и дополнительная информация по тел. +74959394503, +74959394195 и электронной почте dopobr.fbb@gmail.com.

Адрес: 119234 г. Москва, ГСП-1, Ленинские горы, дом 1, стр. 73,  МГУ, Факультет биоинженерии и биоинформатики

Проезд

от метро «Университет»: трол. 34, 34к, авт. 1, 47, 67, 103, 111, 113, 130, 187, 260, 470, 487, 845, 661 до остановки «Менделеевская улица», 15 мин.

Схема проезда

От метро «Ломоносовский проспект» – Выход № 1 на Мичуринский проспект (первый вагон из центра), далее направо вверх по ул. Колмогорова 360 м 4 мин.

Схема

Видеолекции курса «Машинное обучение»

Основная программа

Лекции от сотрудников Яндекса, Одноклассников, Grammarly; преподавателей СколТеха, СПбГУ, НИУ ВШЭ:

Linux и работа в командной строке, фишки jupyter notebook, нюансы работы с GPU;

Исторический обзор, логистическая регрессия, многослойные перспетроны, градиентный спуск и метод обратного распространения ошибки;

Оценка качества моделей и подбор гиперпараметров, практические трюки обучения нейросетевых моделей;

Сверточные сети, задачи компьютерного зрения: классификация, детекция, сегментация; генерация изображений;

  • Обработка естественного языка

Дистрибутивные модели и применение их в разных задачах, рекуррентные сети и решение проблемы затухающего градиента; использование сверток в языковых моделях; seq2seq-модели и машинный перевод

Постановка задачи обучения с подкреплением, обзор современных методов ее решения, OpenAI Gym;

Даты проведения

3-4 циклы: с 21 июля по 6 августа

Возрастные ограничения
от 18 лет
Кого ищут
Студентов и молодых специалистов, которые обладают базовыми навыками программирования на Python и работы с командной строкой Linux.

Желательно знакомство с Machine Learning

Courses

 


Current courses:

Machine Learning (free online course on Coursera)

Machine learning is the science of getting computers to act without being explicitly programmed. In the past decade, machine learning has given us self-driving cars, practical speech recognition, effective web search, and a vastly improved understanding of the human genome. Machine learning is so pervasive today that you probably use it dozens of times a day without knowing it. Many researchers also think it is the best way to make progress towards human-level AI. In this class, you will learn about the most effective machine learning techniques, and gain practice implementing them and getting them to work for yourself. More importantly, you’ll learn about not only the theoretical underpinnings of learning, but also gain the practical know-how needed to quickly and powerfully apply these techniques to new problems. Finally, you’ll learn about some of Silicon Valley’s best practices in innovation as it pertains to machine learning and AI.

CS229: Machine Learning (available to registered Stanford students only) | Autumn 2013

Machine learning is the science of getting computers to act without being explicitly programmed. Over the past decade, machine learning has given us self-driving cars, practical speech recognition, effective web search, and it it also giving us a continually improving understanding of the human genome. Machine learning is so pervasive today that most of us use it dozens of times daily without being aware of it. In CS229, students will learn about the latest tools of machine learning, and gain both the mathematical understanding needed to develop their own learning algorithms, as well as the know-how needed to effectively apply learning algorithms to practical problems.

You can also see most of a previous year’s lectures on YouTube, on iTunes or on Stanford Engineering Everywhere.

 

[divider  height=”80px” ]

Previous courses:

CS294A or CS294W: STAIR (STanford AI Robot) project | Winter 2009

In this class, we’ll spend the entire quarter working on some aspect of the STAIR (Stanford AI Robot) project. The goal of this class is, within one quarter, to help you do a publishable piece of research work in AI.

[divider  height=”80px” ]

CS221: Artificial Intelligence: Principles and Techniques | Autumn 2009

Artificial Intelligence spans a broad set of tools for building machines that exhibit intelligent behavior. This includes machine learning, probabilistic reasoning (graphical models), planning, search algorithms, CSP, as well as more specialized tools for specific problems such as robotics, computer vision, and natural language processing.

Бесплатные курсы ИИ и машинному обучению от Google

In CS221, students will see a broad survey of all of these topics in AI, develop a theoretical understanding of all of these algorithms, as well as implement them yourself on a range of problems. For example, students will implement a learning algorithm to recognize objects (mugs, clocks, stapers, etc.); program a robot arm to move through a nest of obstacles; get a simulated car to execute a fast 180 turn via a controlled skid. More importantly, students will also gain a broad understanding of the mathematical and practical underpinnings of AI, so that after this class, they’ll be able to adapt AI methods to a broad range of their own problems.

[divider  height=”80px” ]

CS23N: Robotics and Machine Learning | Spring 2004 (with Geoff Gordon)

This was a freshman seminar which had the goal of introducing students to robotics and machine learning research.

Deep Learning

An MIT Press book

Ian Goodfellow and Yoshua Bengio and Aaron Courville

Exercises &nbsp Lectures &nbsp External Links &nbsp

The Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general and deep learning in particular. The online version of the book is now complete and will remain available online for free.

The deep learning textbook can now be ordered on Amazon.

For up to date announcements, join our mailing list.

Citing the book

To cite this book, please use this bibtex entry:

To write your own document using our LaTeX style, math notation, or to copy our notation page, download our template files.

Errata in published editions

Deep Learning

  • Bibliography
  • Index
  • FAQ

    • Can I get a PDF of this book?

      No, our contract with MIT Press forbids distribution of too easily copied electronic formats of the book.

    • Why are you using HTML format for the web version of the book?

      This format is a sort of weak DRM required by our contract with MIT Press. It’s intended to discourage unauthorized copying/editing of the book.

    • What is the best way to print the HTML format?

      Курс по машинному обучению на Coursera от Яндекса и ВШЭ

      Printing seems to work best printing directly from the browser, using Chrome. Other browsers do not work as well.

    • Can I translate the book into Chinese?
    • Posts and Telecom Press has purchased the rights.

    If you notice any typos (besides the known issues listed below) or have suggestions for exercises to add to the website, do not hesitate to contact the authors directly by e-mail at: feedback@deeplearningbook.org

    Since the book is complete and in print, we do not make large changes, only small corrections.

    Known issues: In outdated versions of the Edge browser, the «does not equal» sign sometimes appears as the «equals» sign. This may be resolved by updating to the latest version.

    Добавить комментарий

    Закрыть меню