Курс Машинное обучение в R

Практический курс машинного обучения в R

Ближайшая дата курса Машинное обучение в R	12-16 октября
Стоимость обучения	90.000 рублей
Код курса	DSML

РегистрацияИнтенсивный курс для статистиков, аналитиков, разработчиков Big Data, руководителей и специалистов по работе с большими данными, которые хотят освоить современные методы машинного обучения с их практической реализацией на языке R для решения прикладных бизнес-задач. 

Что такое машинное обучение, R и RStudio

Машинное обучение (Machine Learning) — это раздел искусственного интеллекта, который включает математические, статистические и вычислительные методы для разработки алгоритмов, способных обучаться и решать задачи через поиск закономерностей в разнообразных входных данных. Решение вычисляется не по заранее заданным правилам, а адаптивно выстраивается на основе выявленной зависимости результатов от конкретного набора входных признаков и их значений. Можно сказать, что Machine Learning — это один из разделов науки о данных (Data Science), который активно использует методы интеллектуального анализа данных (Data Mining).

На практике машинное обучение широко применяется в различных исследовательских и прикладных задачах:

• прогнозирование будущих событий и ситуационный анализ, например, отток клиентов в ритейле или вероятные поломки промышленного оборудования;
• распознавание образов (рукописного текста, лиц на видеозаписях, голоса в аудио и т.д.);
• классификация образцов, например, автоматическая постановка диагноза по анализу рентгеновских снимков;
• выявление случаев мошенничества в банковских и биржевых операциях.

R — это мультипарадигмальный интерпретируемый язык программирования для статистической обработки данных и работы с графикой. Еще так называется свободная программная среда вычислений с открытым исходным кодом для работы с этим языком. R поддерживает множество статистических и численных методов, а также постоянно дополняется и расширяется за счет пакетов – библиотек для работы специфических функций или отдельных прикладных областей. На практике R широко используется для статистического анализа данных в различных сферах деятельности, от нефтедобычи до фармацевтики, являясь стандартом де-факто для статистических программ.

RStudio — это свободная среда разработки программного обеспечения с открытым исходным кодом для языка программирования R. RStudio доступна в виде десктопной версии, когда программа выполняется на локальной машине как обычное приложение, и серверного продукта (RStudio Server), где через браузер предоставляется доступ к среде, установленной на удаленном Linux-сервере.

Как эффективно использовать R и RStudio для решения задач Machine Learning в рамках конкретных бизнес-кейсов, вы узнаете на нашем образовательном курсе «Машинное обучение в R».

Программа курса

Кому нужны курсы по Machine Learning и R

Практический курс Машинное обучение в R предназначен для аналитиков, разработчиков программного обеспечения, руководителей и специалистов по работе с большими данными, которые хотят получить расширенную  практическую и теоретическую подготовку по Data Science и Data Mining для участия в проектах анализа Big Data и Machine Learning.

В результате обучения вы получите следующие знания и навыки:

• разберетесь с базовыми положениями Data Science, Data Mining, основами статистики и кейсами практического применения этих исследовательских методов в бизнесе;
• поймете, что такое нейросети, машинное обучение, искусственный интеллект и Deep Learning;
• освоите принципы построения алгоритмов регрессии, классификации и кластерного анализа;
• разберете математические основы нейронных сетей;
• сможете самостоятельно обрабатывать датасеты для подготовки к моделированию;
• научитесь строить собственные модели машинного обучения;
• поймете, как корректно интерпретировать результаты моделирования;
• получите базовые навыки программирования на языке R и работы в среде RStudio.

Предварительный уровень подготовки

• Понимание основ статистики
• Практический опыт работы c R-Studio или знания в рамках курса DSAV-Data Science: Аналитика и визуализация больших данных в R

По окончании курса «Машинное обучение в R» в нашем лицензированном учебном центре «Школа Больших Данных» вы получите сертификат о повышении квалификации государственного образца.

Узнать подробности

Как построен курс машинного обучения в R

Продолжительность: 5 дней, 40 академических часов

Методические материалы: учебное пособие на русском языке

Данный практический курс машинного обучения включает теоретические основы современных методов Machine Learning и их практическую реализацию в виде алгоритмов на языке R. Рассматриваются основные понятия Data Science и Data Mining, проблемы измерения производительности и уменьшения размерности, регрессионные модели, байессовские алгоритмы, машина опорных векторов (SVM) и ассоциативные правила для интеллектуального анализа больших данных. Успешно освоив материалы данного курса, вы будете понимать принципы функционирования алгоритмов машинного обучения и применять их для эффективной обработки больших данных в задачах реального бизнеса.

Регистрация

Программа курса «Машинное обучение в R»

1. Основы статистики и простая линейная регрессия

   • Что такое ваши данные?
   • Статистические выводы
   • Введение в машинное обучение
   • Простая линейная регрессия
   • Диагностика и трансформация
   • Коэффициент определенности
   • Методы оценки моделей и производительности

2. Базовое программирование с R (опционально)

   • Введение в R
   • Что такое R?
   • RStudio, пакеты и рабочая область
   • Основные элементы языка R
   • Типы объектов данных
   • Введение функций и управляющих операторов
   • Функции
   • Программирование функций
   • Подключение библиотек в RStudio

3. Подготовка данных (опционально)

   • Принципы формирование Dataset (набор данных)
   • Локальный импорт / экспорт данных
   • Работа с отсутствующими данными (NA)
   • Категориальные данные
   • Формирование обучающего и тестового набора данных
   • Вопросы масштабирования и автоматизации
   • Препроцессинг данных

4. Линейная регрессия и обобщенная линейная модель 

   • P-value — ошибки первого рода
   • Допущения и диагностика
   • Оценка максимального правдоподобия
   • Интерпретация модели
   • Оценка соответствия модели
   • Обобщенные линейные модели:
     • Простая линейная регрессия
     • Множественная линейная регрессия
     • Логистическая регрессия
     • Полиномиальная регрессия
   • Метод опорных векторов (SVR) и деревья решений
   • Деревья решений
   • Bagging
   • Случайные леса
   • Boosting
   • Важность переменной
   • Сортировка полей и поддержка векторного классификатора
   • Метод опорных векторов
   • Оценка производительности регрессионной модели
   • Коэффициенты линейной регрессии

5. Алгоритмы классификации

   • Логистическая регрессия
   • Алгоритм ближайших соседей
   • Алгоритм K-ближайших соседей. Выбор К и меры расстояния
   • Наивный байессовский анализ и «проклятие размерности»
     • Условная вероятность: теорема Байеса
     • Оценка Лапласа
     • Уменьшение размерности
     • Процедура PCA
     • Ridge и регрессия Лассо
     • Перекрестная проверка.
   • Классификация с помощью деревьев решений
   • Классификация методом случайных деревьев
   • Оценка производительности классификационной модели

6. Кластерный анализ

   • Кластерный анализ
   • K-means кластеризация
     • Выбор количества кластеров
     • Типовые ошибки при кластеризации
   • Иерархическая кластеризация. Принципы построения дендрограмм

7. Ассоциативные правила

   • Правила Априори алгоритма
   • Основные принципы построения моделей в R

8. Машинные алгоритмы с переобучением (Reinforcement learning)

   • Верхняя граница достоверности (UCB — Upper Confidence Bound)
   • Примеры по Томпсону
   • Сравнение алгоритмов
   • Реализация алгоритмов в R

9. NLP алгоритмы (Алгоритмы текстовой обработки)

   • Основы Natural Language Proccesing

10. Глубокое Обучение (Deep Learning)

    • Отличие машинного обучение (Machine Learning) от глубокого обучения (Deep Learning)
    • Искусственные Нейронные Сети (Artificial Neural Networks) :
      • План атаки
      • Нейроны
      • Активация нейронов
      • Как работают нейронные сети и персептроны
      • Сигмоидные нейроны
      • Сетевая топология и скрытые функции
      • Метод обратного распространения ошибки с градиентным спуском

РегистрацияСкачать программу курса Машинного обучения в R в формате pdf