Алгоритмы и методы машинного обучения
В ходе обучения студенты работают со множеством табличных данных и изучают общие алгоритмы машинного обучения:
- линейная регрессия;
- логистическая регрессия;
- линейный дискриминантный анализ;
- деревья решений;
- наивный байесовский классификатор;
- метод k-ближайших соседей;
- LVQ
- метод опорных векторов;
- «случайный лес»;
- методы бустинга.
Выпускник программы:
- знает принципы работы с табличными данными, в том числе с использованием методов искусственного интеллекта (предсказание, классификация, кластеризация, сжатие размерности и др.);
- умеет применять методы и алгоритмы работы с табличными данными с использованием современных методов машинного обучения;
- участвует в разработке проектов с применением алгоритмов обработки табличных данных.
