В режиме online проводятся лекционные занятия с трансляцией слайдов. Видеозаписи занятий будут доступны на обучающей платформе.
C помощью специальных программных средств отрабатываются и закрепляются темы, рассмотренные на лекционных занятиях. Преподаватели курса дают обратную связь по вопросам слушателей, в т. ч. посредствам email-переписки.
Слушатели выполняют самостоятельно домашние задания в течение недели и отсылают его на проверку преподавателю. По результатам проверки дается обратная связь.
В конце обучения слушатели выполняют индивидуальный итоговый проект по реализации алгоритма сегментирования радиолокационных изображений на основе представленных данных в течение недели и отсылают его на проверку преподавателю. По результатам проверки дается обратная связь и проводится защита проекта.
Оценка результатов обучения слушателей осуществляется по балльной системе: за каждое домашнее задание выставляется максимальный балл 6, за итоговый проект — 12. Зачет слушателю выставляется, если он набрал более 16-ти баллов.
8. Логистическая регрессия и ее приложения.
2 ак. часа теории – Постановка задачи классификации. Описание алгоритма логистической регрессии. Ограничения применимости, особенности применения. Метрики оценки качества моделей машинного обучения в задачах классификации
9. Логистическая регрессия и ее приложения.
2 ак. часа практики – Практическое применение и реализация логистической регрессии
10. Текстовые данные и способы их представления.
2 ак. часа теории – Постановка и описание задач с применением текстовых данных. Основные шаги подготовки текстовых данных для задач машинного обучения. Предобработка, очистка, токенизация, кодирование текстов
11. Методы обработки текстовых данных для задач машинного обучения.
2 ак. часа практики – Особенности предобработки текстовых данных. Создание прототипа решения задачи классификации текстовых данных
12. Решающие деревья.
2 часа теории – Описание алгоритма решающего дерева. Постановка задачи, плюсы и минусы алгоритма
13. Решающие деревья и их приложения.
2 ак. часа практики – Применение алгоритма решающего дерева. Разбор особенностей реализации и применения алгоритма на практике
14. Реализация решающего дерева для задачи классификации.
10 ак. часов практики – Выполнение домашнего задания по заданной теме
15. Методы ансамблирования решений.
2 ак. часа теории – Постановка задачи ансамблирования решений на основе методов машинного обучения, плюсы и минусы таких подходов. Основные подходы построения ансамблей моделей машинного обучения
16. Ансамбли решений и их приложения.
2 ак. часа практики – Применение подходов создания ансамблей решения
17. Методы кластеризации данных.
2 ак. часа теории – Постановка задачи кластеризации данных и сегментации изображений. Основные подходы и принципы решения задач. Подходы визуализации результатов сегментации. Задача понижения размерности
18. Кластеризация в задачах радиолокации.
2 ак. часа практики – Применение подходов машинного обучения в задачах сегментации радиолокационных данных
Итоговая аттестация – выполнение итогового проекта