Машинное Обучение

Преподаватель: Творожков Андрей (тг: @tvorogme).


Когда: суббота, 5-6 уроки.

Описание курса


За год мы попробуем пройти путь от сложения и умножения чисел до современного машинного обучения.
Начнём с простых вопросов: что вообще значит «машина обучается»? Чем машинное обучение отличается от обычной программы? Как компьютер может провести прямую через точки, отличить кота от собаки или предсказать следующее слово?
А закончим нейронными сетями, трансформерами и большими языковыми моделями вроде ChatGPT.

Требования для обучающихся

  • Желание учиться и усердность :)
  • Базовые знания Python
  • Умение складывать, умножать

Что получим на выходе

  • Базовое понимание большого количества подходов в машинном обучении
  • Структурное понимание как работает современное машинное обучение, какие методы использовались чтобы дойти до больших моделей по типу ChatGPT
  • Большое количество упражнений с кодом, данными и математикой
  • Этого курса будет достаточно для продолжения research деятельности над ML задачами или для подачи на стажировку/обучение в разные компании

Что будем изучать

  • Математический фундамент: начала теории множеств и математической логики, общая алгебра и теория групп, линейная алгебра, аналитическая геометрия, комбинаторика, теория вероятностей и математическая статистика, математический анализ.
  • Работа с данными: признаки, выборки, визуализация данных, train/validation/test, переобучение, метрики качества и постановка экспериментов.
  • Классическое машинное обучение: линейная и логистическая регрессия, k-NN, деревья решений, ансамбли, кластеризация, методы уменьшения размерности и другие классические алгоритмы.
  • Нейронные сети: искусственный нейрон, перцептрон, многослойные сети, функции активации, backpropagation, градиентный спуск и обучение глубоких моделей.
  • Современное машинное обучение: embeddings, attention, transformers, языковые модели и основные идеи, на которых построены современные AI-системы.
  • Практика: Python, NumPy, работа с датасетами, визуализация, реализация алгоритмов, обучение моделей.