3 дня
8 часов каждый день
В Сколтехе
или у заказчика
или у заказчика
«Вероятностные методы машинного обучения»
Научитесь решать практические задачи машинного обучения с помощью вероятностных методов
О курсе
Цель данного курса – научить решать встречающиеся на практике задачи машинного обучения с помощью вероятностных методов.
В результате освоения курса слушатели смогут формулировать задачи машинного обучения в вероятностных терминах, решать их, используя язык программирования Python и оценивать качество получившегося решения.
В результате освоения курса слушатели смогут формулировать задачи машинного обучения в вероятностных терминах, решать их, используя язык программирования Python и оценивать качество получившегося решения.
Особенности курса
Преподаватели
Преподаватели курса имеют значительный опыт решения задач в индустрии и преподавания как в рамках академических, так и в рамках индустриальных проектов партнеров Сколтеха.
Гибкость
Курс может проводиться как на территории кампуса Сколковского института науки
и технологий, так и на площадке заказчика. Программа адаптируется под требования и задачи заказчика.
и технологий, так и на площадке заказчика. Программа адаптируется под требования и задачи заказчика.
Средства оценки качества
Программа курса включает домашние задания, финальный проект и контрольную работу
по итогам курса*.
*Компаниям-заказчикам рекомендуется выделить сотрудникам достаточно времени для полноценного прохождения курса и выполнения заданий.
по итогам курса*.
*Компаниям-заказчикам рекомендуется выделить сотрудникам достаточно времени для полноценного прохождения курса и выполнения заданий.
Интенсивность работы
Рекомендованная продолжительность программы — три дня, по 8 часов в день раз в неделю. Оптимальное количество слушателей — 10-20 человек.
Команда курса
Евгений Бурнаев
Основной лектор программы
Специалист в области методов анализа данных и машинного обучения, кандидат физико-математических наук. Реализовал ряд успешных научно-исследовательских проектов в области анализа данных для компаний Airbus, Eurocopter и Sahara Force India Formula1.
Имеет большой опыт преподавания как в академических вузах, таких как МФТИ, ВШЭ, Берлинский Университет им. Гумбольта, так и в частных компаниях — Школе анализа данных Яндекса, Airbus, Сбербанке, Astrium, Safran.
Специалист в области методов анализа данных и машинного обучения, кандидат физико-математических наук. Реализовал ряд успешных научно-исследовательских проектов в области анализа данных для компаний Airbus, Eurocopter и Sahara Force India Formula1.
Имеет большой опыт преподавания как в академических вузах, таких как МФТИ, ВШЭ, Берлинский Университет им. Гумбольта, так и в частных компаниях — Школе анализа данных Яндекса, Airbus, Сбербанке, Astrium, Safran.
Алексей Зайцев
Ведущий семинаров программы
Кандидат физико-математических наук. Начал заниматься анализом данных в компании Datadvance, которая является пионером
в области применении анализа данных для аэрокосмической отрасли. Разработки компании позволили на 10% снизить стоимость разработки новых самолетов в компании Airbus.
Участвовал в разработке курса по применению байесовских методов машинного обучения
в МФТИ и Сколтехе; обучал машинному обучению французских инженеров в компаниях Airbus, TOTAL, Porsche, провел курс для менеджеров компании Сбербанк.
Кандидат физико-математических наук. Начал заниматься анализом данных в компании Datadvance, которая является пионером
в области применении анализа данных для аэрокосмической отрасли. Разработки компании позволили на 10% снизить стоимость разработки новых самолетов в компании Airbus.
Участвовал в разработке курса по применению байесовских методов машинного обучения
в МФТИ и Сколтехе; обучал машинному обучению французских инженеров в компаниях Airbus, TOTAL, Porsche, провел курс для менеджеров компании Сбербанк.
Александр Нотченко
Преподаватель программы
Специалист в области вероятностных методов на основе нейронных сетей. Лектор курса по вероятностным методам машинного обучения в Сколтехе.
Специалист в области вероятностных методов на основе нейронных сетей. Лектор курса по вероятностным методам машинного обучения в Сколтехе.
Согласование программы с заказчиком
Задача Сколтеха — провести максимально эффективный курс, который поможет компании улучшить показатели в различных областях.
Программа может быть адаптирована под потребности конкретного заказчика.
Программа может быть адаптирована под потребности конкретного заказчика.
Учет уровня слушателей
Базовый курс разработан в расчете на участников с высшим образованием
и опытом программирования, однако программа может быть адаптирована под слушателей любого уровня подготовки с учетом запросов компании-заказчика.
и опытом программирования, однако программа может быть адаптирована под слушателей любого уровня подготовки с учетом запросов компании-заказчика.
Выбор общего уровня группы
Наиболее эффективны курсы, которые проводятся в группе с участниками схожего уровня подготовки. Курсы для сотрудников с гуманитарными и техническими функциями в компании могут быть проведены отдельно.
Адаптация содержания и вида программы
Программа курса может быть изменена после обсуждения целей заказчика. Продолжительность курса может быть увеличена или сокращена. Курс может проводиться в формате еженедельных занятий или в формате ежедневного интенсива. Во время курса может быть сделан упор на разбор практических задач анализа данных, возникающих в конкретной сфере.
Содержание курса
День 1
1. Введение в теорию вероятности
2. Инструменты работы с вероятностными моделями
3. Выбор вероятностной модели данных
4. Примеры вероятностных моделей в задачах регрессии и классификации
2. Инструменты работы с вероятностными моделями
3. Выбор вероятностной модели данных
4. Примеры вероятностных моделей в задачах регрессии и классификации
- Байесовский наивный классификатор
- Байесовская линейная регрессия
- Байесовская логистическая регрессия
День 2
1. EM алгоритм
2. Вариационная аппроксимация в приближенном Байесовском выводе
3. Подход на основе Монте-Карло к приближенному Байесовскому выводу
2. Вариационная аппроксимация в приближенном Байесовском выводе
3. Подход на основе Монте-Карло к приближенному Байесовскому выводу
День 3
1. Гауссовские процессы: регрессия и активное обучение
2. Процессы Дирихле
3. Нейробайесовские технологии: вероятностным модели в глубоких нейронных сетях
4. Вариационный автоэнкодер
2. Процессы Дирихле
3. Нейробайесовские технологии: вероятностным модели в глубоких нейронных сетях
4. Вариационный автоэнкодер
Узнайте про курс больше
Если вас заинтересовала возможность проведения курсов
по байесовским методам анализа данных, пожалуйста, заполните форму по ссылке или напишите по адресу fedu@skoltech.ru
по байесовским методам анализа данных, пожалуйста, заполните форму по ссылке или напишите по адресу fedu@skoltech.ru
