Практикум: применение моделей машинного обучения для анализа данных и прогнозирования
В рамках практикума разбираются особенности и возможности применения разных видов машинного обучения для анализа данных и прогнозирования, с учетом потенциальных угроз и возможностей. Слушатели отработают на практике этапы построения модели машинного обучения от подготовки данных для обучения моделей до оценки результатов.
Вид обучения
Формат обучения
Дата и время
Место проведения
г. Санкт-Петербург, Лиговский проспект, 266с1, Бизнес Центр Премьер Лига (3 очередь), 4 этаж, из лифта направо. Станции метро «Московские ворота», «Технологический институт», «Обводный канал».
Документы по окончании обучения
Образец Удостоверения о повышении квалификации Санкт-Петербург
Что входит в стоимость
Методический материал, кофе-паузы.Для кого предназначен
Менеджеров, маркетологов, экономистов, аналитиков, социологов, логистов, инженеров и других специалистов, которым приходится сталкиваться с проблемой анализа и прогнозирования данных и у которых есть потребность в приобретении навыка работы с моделями машинного обучения.Цель обучения
Отработать на практику процедуру построения модели машинного обучения для анализа и прогнозирования данных.Особенности программы
Занятия проходят в компьютерном классе в формате интенсивных тренингов.
Результат обучения
В результате обучения слушатели:
- Освоят методику выполнения последовательности действий при построении модели машинного обучения.
- Ознакомятся на практике с построением модели машинного обучения для регрессии
- Ознакомятся на практике с построением модели машинного обучения для классификации.
- Получат представление – как формулировать задачу программисту, что контролировать при ее выполнении, чтобы получить адекватный результат.
Программа обучения
День 1.
Методика выполнения задания: разбор последовательности действий.
- Определение проблемы, загрузка библиотек и данных.
- Анализ данных: распределение данных по классам, описательные статистики, визуализация.
- Первичная обработка данных и отбор признаков.
- Разбивка выборки на тестовую и обучающую.
- Обучение модели.
- Выбор лучшей модели для прогнозирования данных.
- Прогнозирование по лучшей модели.
- Интерпретация результатов.
Практикум: «Построение модели машинного обучения для регрессии».
- Пошаговое выполнение заданий на компьютере на базе готового набора данных с последующей оценкой результатов и подготовкой выводов под руководством эксперта.
День 2.
Практикум: «Построение модели машинного обучения для классификации».
- Пошаговое выполнение заданий на компьютере на базе готового набора данных с последующей оценкой результатов и подготовкой выводов под руководством эксперта в анализе данных в программной среде Python.
Занятия частично проводятся в компьютерном классе.
