Машинное обучение. Классическое

Этот интенсив создан для начинающих — людей, которые хотят сделать первые осмысленные шаги в машинном обучении и Data Science. Если ты слышал об ML, но не знал, с чего начать, чтобы получить готовый результат, тебе точно к нам. Цель интенсива — за короткое время погрузиться в полный цикл задачи Data Science: от первичного анализа данных до развёртывания работающей модели в виде простого веб-приложения, которым можно поделиться с друзьями.

• Каждый участник создаст собственное веб-приложение (например, «Калькулятор стоимости автомобиля» или «Определитель музыкального жанра»), которое будет делать предсказания на основе обученной ML-модели.

• Вводные лекции по каждому модулю
• Экспертные консультации: наставники помогут разобраться со сложностями в коде и подскажут направление для решения
• Практическое соревнование: настоящий боевой опыт в контролируемых условиях

• Знакомство с основными понятиями и типами задач машинного обучения.
• Практический инструктаж: учимся работать с данными соревнований и правильно загружать свои результаты (сабмиты).
• Ответы на все организационные вопросы. Старт работы над кейсом.Практический инструктаж: учимся работать с данными соревнований и правильно загружать свои результаты (сабмиты).
• Ответы на все организационные вопросы. Старт работы над кейсом.

• Используем Pandas для первичного анализа: загрузка, оценка размера и типов данных, поиск аномалий и пропусков.
• Визуализация и статистика для понимания распределений и взаимосвязей между признаками.
• Превращаем сырые данные в осмысленную информацию для будущей модели.Визуализация и статистика для понимания распределений и взаимосвязей между признаками.
• Превращаем сырые данные в осмысленную информацию для будущей модели.

• От простого к сложному: изучаем логику работы линейной и логистической регрессии — идеальная точка входа в ML.
• Переходим к более мощным алгоритмам: знакомимся с ансамблевыми методами, включая бустинги (CatBoost/XGBoost/LightGBM).
• Учимся не просто тренировать модели, а правильно их оценивать и сравнивать между собой.

• Техники создания новых признаков, которые повышают точность модели.
• Методы отбора самых информативных переменных: избавляемся от шума и ускоряем обучение.
• Учимся готовить идеальный набор данных для финальной модели.

• Сохраняем обученную модель для дальнейшего использования.
• Осваиваем процесс инференса — как модель делает предсказания на новых данных.
• Практикуемся на примере создания простого веб-интерфейса для нашей модели.

За день до закрытия Интенсива состоится онлайн-встреча, где всем участникам предстоит презентовать свои проекты. Лучшие работы и их авторы будут представлять направление ML CL офлайн на закрытии Интенсива в Томске и Новосибирске.