Цикл состоит из двух частей.
В первой части слушатели ознакомятся с  основами теории и практики машинного обучения.
Во второй части курса состоится обсуждение дополнительных вопросов, важных в практическом применении машинного обучения и некоторых проектов, связанных с его применением.

Часть 1. Основы машинного обучения. Part 1. Fundamentals of machine learning
1 Введение в машинное обучение. Python для задач обработки данных. Задачи предсказания. Линейная регрессия.
Intro to machine learning. Python tolls for data science. Predictions. Linear regression
2 Обучение с учителем. Полиномиальная и другие формы регрессий
Intro to supervised learning,  basic of numpy
3 Задачи классификации. Логистическая регрессия.
Intro to machine learning tasks, representation of data.
4 Классификатор  K nearest neighbors. Основные метрики оценки классификаторов. K nearest neighbors  classifier, intro to classification metrics
5 Support Vector Machines и его применение. Applying SVM.
6 Искусственные нейронные сети, алгоритм обучения, релизация классификаторов на основе многослойного персептрона. Artificial neural networks, learning algorithms, multi layer perceptron for classification tasks.

Часть 2. Вопросы прикладного применения машинного обучения. Part 2. Applied Machine learning

9 Снижение размерности,  Principal Component Analysis. Dimensionality Reduction, Principal Component Analysis
10 Бустинг. "Серебрянная пуля" машинного обучения XGBoost. Boosting. "Silver bullet of machine learning"- XGBoost.
11 Введение в глубокое обучение и примение keras. Intro to deep learning and keras.
12 Анализ данных каротажа скважин. Logging data classification.
13 Оценка "черных ящиков" машинного обучения.  Interpretation of "black boxes" of machine learning

Примечание. В семинарах могут участвовать все желающие.  Для успешного участия в семинарах крайне желательно иметь ноутбук с установленной Anaconda поскольку предусматривается разбор текстов программ и решение элементарных задач слушателями.