Machine Learning
Մեքենայի ուսուցման այս համապարփակ դասընթացը իրենից ներկայացնում է տվյալների վերլուծության, վիճակագրության և կանխատեսող մոդելավորման դասընթաց: Դուք լավ պատկերացում կստանաք սկզբունքների և տեխնիկաների մասին, որոնք օգտագործվում են տվյալներից արտահանման և խելացի համակարգեր կառուցելու համար: Այս դասընթացի միջոցով դուք կուսումնասիրեք հիմնական թեմաները, ինչպիսիք են տվյալների նախնական մշակումը, հետախուզական տվյալների վերլուծությունը, առանձնահատկությունների ճարտարագիտությունը և մոդելի գնահատումը: Դուք կսովորեք, թե ինչպես կիրառել վիճակագրական տեխնիկա՝ տվյալների հավաքածուներում օրինաչափություններ և հարաբերություններ բացահայտելու համար: Բացի այդ, դուք կխորանաք մեքենայական ուսուցման ալգորիթմների մեջ՝ հասկանալով դրանց աշխատանքի սկզբունքներն ու կիրառությունները: Դասընթացի ավարտին դուք կունենաք տվյալների վերլուծություն կատարելու, մեքենայական ուսուցման մոդելներ ստեղծելու և գնահատելու հմտություններ:
Տևողություն
4 ամիս (6 ժամ/շ)
Մակարդակ
Սկսնակ
Գինը
55000ՀՀ Դրամ/ամիս
Պահանջներ
Python, SQL
Ձևաչափ
Լսարանային/Առցանց/Հիբրիդային
Տվյալների գիտության ներածություն
- -Դաս 1. Տվյալների գիտության ներածություն, կիրառություններ և էթիկական նկատառումներ:
- -Դաս 2. Python-ի հիմունքներ տվյալների գիտության համար. փոփոխականներ, տվյալների կառուցվածքներ (ցանկեր, բազմակներ, բառարաններ), վերահսկման հոսք և գործառույթներ:
- -Գործնական դաս. տվյալների գիտության միջավայրի կարգավորում, Python-ի տեղադրում, ծանոթացում Jupyter Notebook-ի և Google Colab-ի հետ:
Տվյալների փոխակերպում, Տվյալների վիզուալիզացիա
- -Դաս 1. Տվյալների փոխակերպում Pandas-ով. տվյալների բեռնում, մաքրում, համախմբում:
- -Դաս 2. Տվյալների վիզուալիզացիա Matplotlib-ի և Seaborn-ի միջոցով. Ինֆորմատիվ վիզուալիզացիաներ:
- -Գործնական դաս. Տվյալների մաքրում և ուսումնասիրություն օգտագործելով Pandas և վիզուալիզացիայի տեխնիկաներ:
SQL հիմունքներ տվյալների գիտության համար
- -Դաս 1. SQL հիմունքներ տվյալների գիտության համար. տվյալների բազաների հարցումներ և տվյալների հետ գործողություններ:
- -Դաս 2. Ընդլայնված SQL տեխնիկաներ. միացումներ, ենթահանձնումներ և օպտիմալացում:
- -Գործնական դաս. SQL հարցումների կիրառում` տարբեր տվյալների բազաներից տվյալները առբերելու և ըստ պահանջի օգտագործելու համար:
Տվյալների մաքրում և նախնական մշակում, Տվյալների պատկերի վերլուծություն
- -Դաս 1. Տվյալների մաքրում և նախնական մշակում. բացակայող տվյալների կառավարում, տվյալների վերագրման տեխնիկաներ, տվյալների outlier-ների հայտնաբերում, առանձնահատկությունների մասշտաբավորում և նորմալացում:
- -Դաս 2. Տվյալների պատկերի վերլուծություն (Exploratory Data Analysis). Նկարագրական վիճակագրություն, տվյալների բաշխում, հարաբերակցության վերլուծություն:
- -Գործնական դաս. Տվյալների մաքրման, նախնական մշակման և վիզուալիզացիայի վարժություններ:
Հավանականություն և նկարագրական վիճակագրություն
- -Դաս 1: Հավանականություն և նկարագրական վիճակագրություն. Հավանականության հիմնական հասկացությունները՝ նմուշ, պատահույթներ, և հավանականության կանոններ: Հավանականության բաշխումներ՝ դիսկրետ և շարունակական բաշխումներ: Նկարագրական վիճակագրություն:
- -Դաս 2: Վարկածի ձևակերպում և եզրակացություն. Վարկածի փորձարկման և սխալների տեսակների ներածություն: Վստահության միջակայքերը և եզրակացության մեթոդները:
- -Գործնական դաս։ Վիճակագրական խնդիրներ
Ընդլայնված վիճակագրություն և վիճակագրական բաշխումներ
- -Դաս 1: . Ընդլայնված վիճակագրություն և վիճակագրական բաշխումներ. Հիմնական հավանականությունների բաշխումների վերանայում: Պատահական փոփոխականներ և կենտրոնական սահմանային թեորեմ։
- -Դաս 2: Ոչ պարամետրային մեթոդներ և բազմաչափ վերլուծություն. Ներածություն ոչ պարամետրային վիճակագրական մեթոդներին. Բազմփոփոխական վերլուծության տեխնիկա՝ կովարիացիա, հարաբերակցություն և PCA:
- -Գործնական դաս. Վիճակագրական հասկացությունների և տեխնիկայի կիրառում խնդիրներում:
Վիճակագրական վերլուծություն և Ռեգրեսիա
- -Դաս 1: Վիճակագրական վերլուծություն Python-ում. Վարկածների ձևակերպում, վստահության միջակայքեր:
- -Դաս 2: Ռեգրեսիա. Պարզ գծային ռեգրեսիա, բազմակի գծային ռեգրեսիա, մոդելի գնահատում:
- -Գործնական դաս. Վիճակագրական վերլուծություն և ռեգրեսիոն մոդելավորում՝ օգտագործելով Python գրադարանները:
Լոգիստիկ ռեգրեսիա և kNN
- -Դաս 1: Լոգիստիկ ռեգրեսիա. Լոգիստիկ ռեգրեսիայի ներածություն, երկուական և բազմակարգ դասակարգում, մոդելի մեկնաբանում և գնահատում:
- -Դաս 2. kNN ալգորիթմի ներածություն , հեռավորության չափումների, k արժեքի ընտրության, մոդելի գնահատման:
- -Գործնական դաս. լոգիստիկ ռեգրեսիայի և kNN ալգորիթմների կիրառում, դասակարգման մոդելների training և դրանց կատարողականի գնահատում:
SVM և Բայեսյան դասակարգում
- -Դաս 1. SVM-ի ներածություն, գծային և ոչ գծային միջուկներ, հիպերպարամետրերի օպտիմիզացիա, մոդելի գնահատում:
- -Դաս 2. Naive Bayes. Բայեսյան դասակարգում, պայմանական հավանականություն, Լապլասի հարթեցում, մոդելի գնահատում:
- -Գործնական դաս. SVM և Naive Bayes ալգորիթմների կիրառություն, դասակարգման մոդելների training և դրանց կատարողականի գնահատում:
Չափերի կրճատում, Մոդելի գնահատում և ընտրություն
- -Դաս 1. Չափերի կրճատում. Հիմնական բաղադրիչի վերլուծություն (PCA) և t-SNE:
- -Դաս 2. Մոդելի գնահատում և ընտրություն. Առանձնահատկությունների ընտրություն, խաչաձև վավերացում, գնահատման չափումներ, overfitting և underfitting:
- -Գործնական դաս. Չափերի կրճատման տեխնիկայի կիրառություն և մոդելների գնահատում:
Կլաստերինգ և Ժամանակային շարքերի վերլուծություն
- -Դաս 1. Կլաստերինգ. Չվերահսկվող ուսուցում, k-միջիններով կլաստերինգ, հիերարխիկ կլաստերինգ:
- -Դաս 2. Ժամանակային շարքերի վերլուծություն. հասկացություններ, տրենդի վերլուծություն, սեզոնայնության հայտնաբերում, կանխատեսման տեխնիկաներ (ARIMA, SARIMA), ժամանակային շարքերի վիզուալիզացիա:
- -Գործնական դաս. Կլաստերինգի ալգորիթմների կիրառություն և ժամանակային շարքերի տվյալների վերլուծություն:
NLP և սենտիմենտի վերլուծություն, Որոշման ծառեր
- -Դաս 1. Բնական լեզվի մշակում (NLP) և սենտիմենտի վերլուծություն. տեքստի նախնական մշակում, սենտիմենտի գնահատում:
- -Դաս 2. Որոշման ծառեր. ծառերի վրա հիմնված մոդելներ, որոշման ծառերի համախմբություն, random forest, գրադիենտ խթանում, պարամետրերի թյունինգ (ցանցային որոնում, Բայեսյան օպտիմիզացում):
- -Գործնական դաս. NLP տեխնիկա և ծառերի վրա հիմնված մոդելի կիրառություն:
Տվյալների հատկանիշների ճարտարագիտության
- -Դաս 1. Տվյալների հատկանիշների ճարտարագիտության (feature engineering) տեխնիկաներ. Հատկանիշների փոխակերպումներ, առանձնահատկությունների փոխազդեցություն, առանձնահատկությունների կոդավորում, առանձնահատկությունների ընտրություն
- -Դաս 2. Ընդլայնված հիպերպարամետրային թյունինգ. Պատահական որոնում, ցանցային որոնում, Բայեսյան օպտիմիզացիա, ավտոմատացված հիպերպարամետրային թյունինգ
- -Գործնական դաս. Տվյալների հատկանիշների ճարտարագիտություն և հիպերպարամետրային կարգավորում. տվյալների առանձնահատկությունների ինժեներական տեխնիկայի ներդրում, ներառյալ հատկանիշների փոխակերպումներ, փոխազդեցություններ և կոդավորման մեթոդներ, չմշակված տվյալներից տեղեկատվական առանձնահատկություններ ստեղծելու համար: Համապատասխան հատկանիշների ընտրություն՝ օգտագործելով տարբեր առանձնահատկությունների ընտրության տեխնիկաներ: Հիպերպարամետրային թյունինգի տարբեր մոտեցումների ուսումնասիրություն, ինչպիսիք են ցանցի որոնումը, պատահական որոնումը կամ Բայեսյան օպտիմիզացումը՝ գտնելու հիպերպարամետրի օպտիմալ կոնֆիգուրացիան:
Ensemble Methods և Anomaly Detection
- -Դաս 1. Ensemble methods. Փաթեթավորման, խթանման և կուտակման տեխնիկա, մոդելների համակցություն և համախմբում, մոդելի գնահատում:
- -Դաս 2. Անոմալիաների հայտնաբերում. Անոմալիաների հայտնաբերման ներածություն, արտաքին տեսքի հայտնաբերման մեթոդներ (օրինակ՝ Մեկուսացման անտառ, Տեղական արտաքին գործոն), մոդելի գնահատում:
- -Գործնական դաս. Ensemble մեթոդների և անոմալիաների հայտնաբերման ալգորիթմների ներդրում, training մոդելներ և դրանց կատարողականի գնահատում:
Նեյրոնային ցանցերի ներածություն
- -Դաս 1. Նեյրոնային ցանցերի ներածություն աղյուսակային տվյալների համար. նեյրոնային ցանցերի կիրառումը աղյուսակային տվյալների վրա, ներառյալ առավելություններն ու մարտահրավերները՝ համեմատած ավանդական մեքենայական ուսուցման ալգորիթմների հետ: Հետադարձ նեյրոնային ցանցեր, ակտիվացման ֆունկցիաներ, մոդելային ճարտարապետություններ (օրինակ՝ լիովին միացված, խորը նեյրոնային ցանցեր) և հետտարածման ալգորիթմ։
- -Դաս 2. Նեյրոնային ցանցերի առաջադեմ տեխնիկա աղյուսակային տվյալների մեջ. աղյուսակային տվյալների վրա նեյրոնային ցանցերի աշխատանքի բարելավման առաջադեմ տեխնիկայի և ռազմավարությունների ուսումնասիրություն: Կանոնավորեցման տեխնիկաներ (L1/L2 կանոնավորացում), խմբաքանակի նորմալացում, ուսուցման արագության պլանավորում և օպտիմալացման ալգորիթմներ (Adam, RMSprop):
- -Գործնական դաս. Նեյրոնային ցանցերի ներդրում աղյուսակային տվյալների համար Python-ում՝ օգտագործելով TensorFlow:
Ստացիր անվճար խորհրդատվություն
Դիմի՛ր Հիմա