Машинное обучение в задачах радиолокации
- создавать алгоритмы машинного обучения на профессиональном уровне с помощью языка Python;
- работать с массивами разнородной информации;
- формулировать различные гипотезы и идеи и составлять планы решения задач;
- оценивать качество моделей обучения;
- интерпретировать результаты, делать верные выводы и составлять грамотные отчеты по исследованиям;
- разрабатывать алгоритмы для задач обработки радиолокационных изображений.
- 11недель в формате online
- 4академических часа в неделю
- 64академических часа
составляет общий объём курса
(Machine Learning, ML)
Сегодня, специалисты по машинному обучению востребованы в различных сферах, высокооплачиваемые позиции появляются ежедневно на порталах по поиску работы
- линейной алгебре
- теории вероятностей и математической статистики
- математическому анализу
- базовые навыки программирования на языке Python
- созданию алгоритмов машинного обучения на профессиональном уровне с помощью языка Python1
- подготавливать, очищать и преобразовывать массивы разнородной информации для создания алгоритмов машинного обучения2
- формировать гипотезы, ставить задачи, проводить эксперименты, проводить валидацию алгоритмов ML, интерпретировать результаты работы3
- разрабатывать алгоритмы для задач обработки радиолокационных изображений4
- для тех, кто хорошо владеет математическим аппаратом и хочет коммерциализировать свои знания;
- для разработчиков, которые хотят повысить свой hard skills и начать работать с большими массивами информации и алгоритмами
- для аналитиков и product manager, которым необходимо принимать решения на основе анализа большого объема данных с помощью продвинутых технологий;
- начинающих ML-специалистов;
- студентов, получающих высшее образование в области информатики и вычислительной техники, которые хотят научиться моделировать сложные процессы и выявлять закономерности и взаимосвязи в больших массивах информации
- Лекционные занятия
В режиме online проводятся лекционные занятия с трансляцией слайдов. Видеозаписи занятий будут доступны на обучающей платформе.
- Практические занятия
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.
- Домашние задания
Слушатели выполняют самостоятельно домашние задания в течение недели и отсылают его на проверку преподавателю. По результатам проверки дается обратная связь.
- Итоговый проект
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
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.
Общий объем курса составляет 64 академических часа с учетом самостоятельной работы и итоговой аттестации.
В процессе обучения выполняется два домашних задания и подготавливается итоговый проект.
2 ак. часа теории – основные принципы решения задач с помощью машинного обучения. Термины и описание базовых процессов в создании систем машинного обучения
2. Практическая работа с базовыми инструментами машинного обучения.
2 ак. часа практики – практическое применение инструментов обработки и визуализации данных
3. Работа с категориальными признаками и текстами.
2 ак. часа теории – подходы и принципы представления данных для создания систем машинного обучения. Методы нормирования и кодирования представления данных
4. Методы обработки данных.
2 ак. часа практики – практическое применение и создание инструментов для кодирования данных. Примитивные алгоритмы машинного обучения
5. Линейная регрессия.
2 ак. часа теории – Постановка задачи регрессии и линейной модели машинного обучения. Ограничения применимости, особенности применения. Метрики оценки качества моделей машинного обучения в задачах регрессии
6. Метрики и линейные модели.
2 ак. часа практики – Практическое применение и реализация линейной модели для задачи регрессии. Построение примитивного полного цикла создания модели машинного обучения
7. Реализация базового цикла решения задачи машинного обучения.
10 ак. часов практики – Выполнение домашнего задания по заданной теме
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
- Гришин Никита АлександровичМФТИ, Физтех,
Заведующий лабораторией информационных систем
авиационных комплексов,
инженер, программист, преподаватель
- Стоимость курса20 000 ₽ - 99 % = 200 ₽ -
скидка действует до 20 июля 2023 года - Старт курса01 августа 2023 года*
*при наборе группы от 20 человек