ПРОГРАММА КУРСА ВВЕДЕНИЕ В МАШИННОЕ ОБУЧЕНИЕ

1. Место машинного обучения в области искусственного интеллекта
   • Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета.
   • Практическая часть: первичный анализ датасета, предобработка данных.
2. Задачи классификации: бинарная и множественная классификация
   • Теоретическая часть: определение и примеры задач классификации. Математическое описание модели решающего дерева в задачи бинарной классификации. Метрики бинарной классификации.
   • Практическая часть: решение задач бинарной и множественной классификаций.
3. Задачи регрессии
   • Теоретическая часть: определение и примеры задач регрессии. Математическое описание модели линейной регрессии. Метрики задач регрессии. Способы регуляризации.
   • Практическая часть: решение задачи регрессии.
4. Задача кластеризации
   • Теоретическая часть: определение и примеры задач кластеризации. Математическое описание модели kNN. Связь кластеризации с понижением размерности пространства объектов датасета.
   • Практическая часть: решение задачи кластеризации и понижения размерности данных.
5. Использование моделей машинного обучения в production
   • Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask.
   • Практическая часть: создание веб-сервиса на фреймворке Flask.