**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.
---- адрес оригинала: ((/v2029/Speckurs9klass/МашинноеОбучение))