Машинное обучение без программирования: система
SMILE.CLOUD

Трудоемкость курса: 16 часов.

Начало обучения: По мере комплектования групп

Форма обучения: Асинхронная

Категория слушателей: Отраслевые специалисты с базовыми навыками использования компьютера и представлениями о машинном обучении

Документ: Удостоверение о повышении квалификации установленного образца

Цель программы: Быстрое и эффективное решение задач машинного обучения (МО) с помощью манипуляций на графе в веб-платформе (подготовка данных, создание и обучение моделей машинного обучения, оценка качества предсказания обученных моделей) отраслевыми специалистами, не владеющими навыками программирования.

Результаты обучения:

• - Теоретическое понимание основ задач в области машинного обучения (классификация, регрессия, классификация и прогнозирование временных рядов, нейронные сети для классификации и сегментации изображений) и опыт создания моделей МО на реальных данных с помощью платформы SMILE.CLOUD.
• - Умение подготавливать сырые данные: визуальный и статистический анализ с помощью готовых веб-компонентов, готовые методы (узлы графа) для преобразования данных и извлечения полезной информации, подготовка данных к качественному обучению моделей МО.
• - Использование моделей автоматического машинного обучения для выбора базовой модели
• - Выбор подходящей классической модели МО из более чем 10-ти моделей МО для имеющейся задачи в определенной области МО и настройка ее гиперпараметров.
• - Оценка результатов предсказания моделей МО с помощью метрик качества и соответсвующих визуальных инструментов.

 

Содержание программы:

• - Вводный экскурс в платформу визуального программирования SMILE.CLOUD.
• - Демонстрация примеров решения задач классификации и регрессии на «реальных» данных. Демонстрация использования платформы для решения задачи и обучения наилучшей модели.
• - Обзор моделей МО для задачи в области МО. Выбор модели при помощью кросс-валидации, основываясь на метрики качества и подбор гиперпараметров.
• - Проблемы с данными: классические пропуски, аномалии и категориальные признаки. Визуальный и статистический анализ признаков.
• - Улучшение результата, специфические преобразования данных для выбранной модели: нормализация, несбалансированность, понижение размерности.
• - Анализ качества обученной модели.

 

Куратор данного курса:

Юрий Монахов, заместитель декана факультета цифровых трансформаций Университета ИТМО, к.т.н.

+7 (905) 215-40-14
monakhov@itmo.ru

197101, Санкт-Петербург, Биржевая лин., д. 4, каб. 418-В