Pavel Plyusnin

Data Scientist

Онлайн-интенсив «Машинное обучение»

Приветствую тебя на странице онлайн-курса по Машинному обучению для всех студентов бакалавриата и магистратуры. В курсе предполагается шесть трехчасовых занятий: два – по классическим методам (Classical ML), три – по глубокому обучению (Deep Learning) и еще одно – по обучению с подкреплением (Reinforcement Learning). С одной стороны, курс не будет требовать серьезных знаний математики, поэтому рассчитан на довольно широкую аудиторию. С другой стороны, в курсе все равно будет подробно рассматриваться теория (пусть и без доказательства теорем и сложных математических выводов), чтобы у слушателей сложилось полное понимание работы алгоритмов, и они не воспринимали Машинное обучение как «магию», которую надо повызывать из Питона, и она почему-то сработает (или нет). Также, в отличие от полностью теоретических курсов, будет подробно обсуждаться и практическая часть: какие есть реализации алгоритмов в Питоне и как ими пользоваться. 

Преподаватель курса: ассистент кафедры информатики МФТИ Плюснин Павел

Добрый день. Спасибо за ваш курс. Очень простой и информативный (без пропусков в мелочах - бывает мелочь пропустишь и кажется что всё остальное непонятно), интересный, последовательный и практичный курс. До этого разбирался в обычных методах, строил обычные нейросети, но это была практика без теории. Ваш курс дал им глубину и возможность (желание и без этого было) дальше погружаться. Такие вещи, которые Вы рассказываете (сжатые практические руководства к действию) - сейчас с днём с огнём не найдёшь. Желаю Вам дальнейших творческих успехов и ещё раз благодарю за прекрасно проделанную Вами работу!
Крутая подача материала, до лекции как раз думал, что все эти алгоритмы - чёрный ящик и вообще не понимал что и как происходит в машинном обучении. Да и интересно посмотреть на математическую сторону вопроса, как весь этот аппарат можно применить для каких-то задач

Классические методы I (от 03.04.2020):

Первое занятие курса посвящено классическим методам. Сперва мы рассмотрим общую постановку задач машинного обучения, разберемся, какими они бывают. Далее изучим метрический классификатор kNN и его модификации, рассмотрим логические классификаторы на примере решающих деревьев и случайных лесов, а также разберем ансамблевые методы (бэггинг и бустинг)

Классические методы II (от 10.04.2020):

На втором занятии мы рассмотрим линейные модели, различные регуляризаторы и метрики качества. Также мы разберем популярные алгоритмы кластеризации (k-means, DBSCAN и др) и понижения размерности (PLSA, SVD, t-SNE)

Глубокое обучение I (от 17.04.2020):

На этом занятии будут разобраны основные понятия глубокого обучения: методы обучения (BackPropagation) и оптимизации (RMSProp, Adam и др.) нейронных сетей, используемые функции активации. Мы обсудим способы инициализации и регуляризации сетей, познакомимся с полносвязными нейронными сетями, автокодировщиками, а также с GANами (генеративно-состязательные сети).

Глубокое обучение II (от 24.04.2020):

На втором занятии по Глубокому обучению мы рассмотрим самые современные и популярные архитектуры нейронных сетей для задач классификации и семантической сегментации изображений, а в практической части построим U-Net

Глубокое обучение III (от 01.05.2020):

На последнем занятии по Глубокому обучению мы рассмотрим рекуррентные нейронные сети: особенности обучения, популярные архитектуры (LSTM и GRU) и задачи, в которых они находят свое применение.

Обучение с подкреплением (от 08.05.2020):

Reinforcement learning является довольно новым и перспективным направлением Машинного обучения. В отличие от Классических методов и Глубокого обучения, по нему есть очень мало материалов и курсов на русском языке, многие из которых написаны очень сложно и мудрено.

На этой лекции преподаватель расскажет доступным языком все основные подходы Обучения с подкреплением.

Зачем изучать Reinforcement learning? Обучение с подкреплением применяется во множестве прикладных задач: начиная от участия в игровых соревнованиях по Dota2, Starcraft и го, заканчивая управлением технологическими процессами, показом рекламы в интернете и подбором рекомендаций пользователям, игрой на бирже и управлением инвестиционными портфелями. Именно через Обучение с подкреплением лежит путь к сильному искусственному интеллекту.