PYML: ML Практикум: от теории к промышленному использованию

Данный курс является практическим руководством для специалистов, которым предстоит столкнуться в рабочих задачах с методами машинного обучения.  В курсе будет рассказано о формализации таких задачах и современных подходах к их решению. Большое внимание в курсе уделено практической реализации методов ML на языке Python.

Продолжительность:  6 дней, 24 академических часа.

Соотношение теории к практике  50/50

Программа курса “ML Практикум: от теории к промышленному использованию”

1. Задачи машинного обучения и основные подходы к их решению

Теоретическая часть:  основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета. (1,5 часа)

Практическая часть:  первичный анализ датасета, предобработка данных, сквозной пример решения задачи машинного обучения. (2,5 часа)

2. Базовые методы решения задач классификации и регрессии

Теоретическая часть:  определение и примеры задач классификации и регрессии. Линейные методы. Деревья решений. Проблема переобучения. Основные проблемы с данными. (1,5 часа)

Практическая часть:  решение задач классификации и регрессии линейными методами и методами на основе деревьев решений. Подбор гиперпараметров. Примеры переобученных моделей. (2,5 часа)

3. Продвинутые методы решения задач классификации и регрессии

Теоретическая часть:  Стэкинг, бэггинг. Градиентные бустинги на примере LightGBM, xgboost, catboost. GridSearch для подбора гиперпараметров. AutoML. (1,5 часа)

Практическая часть:  подбор гиперпараметров по сетке значений для базовых алгоритмов. Разбор кейсов по обучению моделей градиентного бустинга. (2,5 часа)

4. Продвинутые методы обработки данных и работа с признаковым пространством

Теоретическая часть:  Тематика обучения без учителя – кластеризация, понижение размерности. Визуализация и формирование гипотез о данных. Feature Engineering и Feature extraction. (1,5 часа)

Практическая часть:  примеры решения задач кластеризации и понижения размерности. Feature Engineering для улучшения качества работы ML моделей. (2,5 часа)

5. Нейронные сети для решения задач машинного обучения

Теоретическая часть:  нейронные сети, задачи CV, NLP. Предобученные сети, файнтюнинг. (1,5 часа)

Практическая часть:  Примеры решения задач классификации изображений и текстов. Применение полносвязных сетей для решения задач классификации и регрессии. Сравнение с алгоритмами бустинга. (2,5 часа)

6. Практическое руководство по реализации моделей машинного обучения

Теоретическая часть:  сохранение результатов экспериментов и версионирование моделей и датасетов. Воспроизводимость экспериментов. Форматы сериализации моделей и пути продуктивизации: функциональная обертка, REST API сервис. Лучшие практики. (1,5 часа)

Практическая часть:  создание веб-сервиса на фреймворке FastApi. Демонстрация MLFlow и AirFlow. (2,5 часа)