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.