О курсе
Машинное обучение остаётся ядром большинства современных ИИ-систем. Но его реальная ценность раскрывается только тогда, когда результаты моделей можно интерпретировать, объяснять и обосновывать для принятия бизнес-решений.
Курс охватывает широкий спектр алгоритмов ML — от линейных моделей до ансамблевых методов и нейросетей — с акцентом на интуитивное понимание и практическую применимость.
Отдельный блок посвящён методам интерпретации моделей (SHAP, LIME, Permutation Importance), которые становятся всё более важными в условиях роста регуляторных требований к объяснимости ИИ.
Программа курса
01Парадигмы машинного обучения: обзор
60 мин
Supervised, unsupervised, semi-supervised и reinforcement learning — чёткая классификация с примерами задач и типичных применений.
02Линейные модели: регрессия и классификация
85 мин
Линейная и логистическая регрессия, Ridge, Lasso — геометрическая интуиция, регуляризация и когда стоит начинать с простого.
03Деревья решений и ансамблевые методы
90 мин
Random Forest, Gradient Boosting, XGBoost — принципы работы ансамблей, борьба с переобучением, tuning гиперпараметров.
04Кластеризация и снижение размерности
70 мин
K-means, DBSCAN, иерархическая кластеризация. PCA и t-SNE для визуализации высокоразмерных данных.
05Нейронные сети: архитектуры для задач ML
95 мин
MLP, CNN, RNN — когда и зачем использовать, ключевые гиперпараметры, понятие transfer learning.
06Оценка качества моделей: метрики и кросс-валидация
75 мин
ROC-AUC, Precision-Recall, F1, MAE, RMSE — как выбрать правильную метрику. Стратификация, k-fold, time-series split.
07Проблема переобучения и методы борьбы с ней
65 мин
Bias-variance tradeoff, регуляризация, dropout, early stopping, data augmentation — полный арсенал борьбы с overfitting.
08Feature Engineering: создание признаков
80 мин
Работа с категориальными переменными, временными рядами, текстом и изображениями для задач классического ML.
09Интерпретируемость ML: SHAP и LIME
100 мин
Глобальная и локальная объяснимость моделей. SHAP values, LIME, Partial Dependence Plots — практический разбор методов.
10MLOps: от эксперимента к продакшену
85 мин
Жизненный цикл ML-модели, версионирование данных и кода, мониторинг дрейфа данных, CI/CD для ML-систем.
11Кейс: предиктивная аналитика в ритейле
70 мин
Полный цикл: постановка задачи, сбор данных, feature engineering, обучение, интерпретация и деплой модели прогнозирования спроса.
Результаты обучения
- Понимать принципы работы ключевых алгоритмов машинного обучения
- Выбирать подходящую модель для конкретного типа задачи
- Правильно оценивать качество ML-моделей с помощью различных метрик
- Использовать SHAP и LIME для объяснения предсказаний модели
- Понимать основы MLOps и производственного развёртывания моделей
- Критически читать статьи и отчёты об ML-системах