Предлагаемая дисциплина знакомит слушателей с современными подходами к решению задач классического машинного обучения. Вам расскажут про задачи регрессии, классификации и кластеризации, а также про методы их решения; осветят вопросы переобучения, недообучения, регуляризации, инженерии признаков, и многие другие.
Вы узнаете такие алгоритмы как: мультиномиальная и полиномиальная регрессии, логистическая регрессия, методы k ближайших соседей, опорных векторов, K-средних, их модификации и обобщения. Вы также не оставите без внимания деревья принятия решений, ансамбли моделей, методы понижения размерности и ознакомитесь с подходами к обучению без учителя.
При изучении дисциплины на продвинутом уровне, вы не только научитесь правильно применять библиотеки из «черных ящиков», но и настраивать параметры алгоритмов, выбирать наиболее удачные алгоритмы оптимизации, осуществлять эффективную предобработку данных и выбор оптимальных признаков для обучения моделей.