Машинное обучение в Python

Машинное обучение в Python

Инструмент машинного обучения для решения задач распознавания образов, кластеризации данных, компьютерного зрения.

Программа курса

  • Тема 1: Основы языка программирования Python. Введение; типы и переменные; функции, модули и пакеты; коллекции для хранения наборов данных; декораторы; функции ввода/вывода, рабоа с файлами, обработка исключений; объекто-ориентированное программирование.

  • Тема 2: Использование фундаментальной библиотеки научных вычислений NumPy.

    Массив NumPy: сравнение языков научного программирования; библиотеки Python для научных вычислений, библиотека NumPy, массив NumPy (ndarray), представления массивов, создание массивов и представлений, копирование массивов, структурированные массивы, типы элементов массивов, форма массива, стратегии хранения массивов в памяти данных: row-major order и column-major order, изменение формы и страйдов, индексирование и срезы (slices) массива, fancy indexing, функция where.

    Операции над массивами, конактенация, разбиение и дублирование массивов, арифметические операции с массивами, broadcasting, универсальные функции (ufunc), векторно-матричные операции, математические и статистические методы массивов, методы линейной алгебры, модуль linalg, матрицы NumPy, классы matix и ndarray, генерация случайных массивов, модуль random, загрузка и сохранение массивов в файл.

  • Тема 3: Использование библиотеки Matplotlib.Способы визуализации данных, типы и элементы графиков и диаграмм, правила построения графиков, цветовые палитры, форматирование, комбинирование, сохранение графиков.

Преподаватели курсов

Трофимов Александр Геннадьевич

Кандидат технических наук, доцент кафедры кибернетики

Окончил НИЯУ МИФИ в 2005 году по специальности «Прикладная математика», получив квалификацию «Математик системный программист».
Преподает курсы по теории вероятностей, математической статистике, машинному обучению, теории нейронных сетей и программированию в Python. Автор множества научных публикаций, владеет английским и испанским языками.

Запечников Сергей Владимирович

Доктор технических наук, доцент кафедры криптографии и кибербезопасности

В 1997 году окончил МИФИ по специальности «Прикладная математика», получив квалификацию «инженер-математик».
Преподает курсы по криптографическим протоколам, безопасности вычислительных сетей, анализу данных и машинному обучению. Автор множества научных работ, владеет английским языком.

Вопросы и ответы

КАКИЕ НАВЫКИ ПОЛУЧИТ СЛУШАТЕЛЬ ПОСЛЕ КУРСА?

Навыки построения нейросетевых моделей для решения прикладных задач обработки данных, в частности, задач регрессии и классификации.

КАК ПОСТРОЕНЫ ЗАНЯТИЯ? НЕ МОЖЕТ ЖЕ БЫТЬ 3 ЧАСА ТОЛЬКО ЛЕКЦИЙ.

Часть времени будет посвящена практическим занятиям на Python, т.е. преподаватель покажет, как создавать, обучать нейросети, расскажет, документацию каких библиотек Python стоит изучить. Соотношение теории и практики — 70/30.

КАКИЕ ИНСТРУМЕНТЫ РАЗРАБОТКИ ОСВОИТ СЛУШАТЕЛЬ?

Библиотеки языка Python для построения нейросетевых моделей.

СУМЕЕТ ЛИ СЛУШАТЕЛЬ ПОСЛЕ КУРСА РАЗРАБАТЫВАТЬ ПРОСТЫЕ НЕЙРОННЫЕ СЕТИ?

Разработка нейронной сети — это вызов трех функций: создание сети, обучение сети и применение сети к имеющимся данным. Поэтому разрабатывать сети может любой, кто имеет начальные знания, а современные средства позволяют создавать и обучать их в пару кликов.

ЧЕМ ВАШИ КУРСЫ ОТЛИЧАЮТСЯ ОТ ДРУГИХ КУРСОВ НА РЫНКЕ?

Основное отличие выпускников курсов НИЯУ МИФИ — это умение понимать происходящие процессы на фундаментальной основе и применять (а часто и создавать совершенно новые) имеющиеся у него в распоряжении инструменты для решения необходимых задач. Цель курса — объяснить как работают нейронные сети, как их правильно применять и что делать, если что-то пошло не так.

Наш адрес

Метро Каширская, Каширское ш., 31.

Контакты

E-mail: icis-dpo@mephi.ru

Телефон: +7 (495) 788-56-99, доб. 8995