https://www.youtube.com/playlist?list=PLRBRZETQQ2ztuI53MwjCXaHfl8KcAjKVf
Машинне навчання
У базовому курсі з "Машинного навчання" проаналізовано основні принципи аналізу даних та машинного навчання, приділяється увага CRISP-DM методології та питанням підготовки даних.
Розглянуто моделі лінійної та нелінійної регресії, класифікації (зокрема логістична регресія, методи опорних векторів та k-найближчих сусідів, Баєсова класифікація, дерева рішень і випадковий ліс), кластеризації (ієрархічна і k-середніх), а також методи побудови асоціативних правил.
Серед більш складних методів машинного навчання розглянуто методи обробки природної мови (модель «Мішок слів», класифікація текстів та аналіз настроїв), використання штучних нейронних мереж в задачах прогнозування, класифікації та кластеризації, подано алгоритми глибокого навчання (згорткові та рекурентні мережі).
Кожен розділ містить теоретичний матеріал, ілюстративні матеріали та лабораторні роботи на R та Python, виконання яких дозволить оволодіти методами та моделями машинного навчання, а також питання для самоперевірки та завдання для самостійного виконання.
Для бакалаврів, магістрів та докторів філософії, а також викладачів ВНЗ. Матеріал буде корисним вченим і фахівцям, які використовують в роботі технології машинного навчання.
Basic course on machine learning
The course deals with the basic principles of data analysis and machine learning; focuses on CRISP-DM methodology and data preparation. Basic models of linear and nonlinear regression, classifications (including logistic regression, support vectors, and k-nearest neighbors, Bayesian classification, decision trees, and random forest), clustering (hierarchical and k-means) are considered.
In addition, the course considers the following advanced machine learning methods: associative rules, natural language processing (bag of words model, text classification, and sentiment analysis); artificial neural networks in forecasting, classification, and clustering tasks; and deep learning algorithms (convolutional and recurrent networks).