Майстерність у машинному навчанні

Вивчення концепцій машинного навчання та робочого процесу ML-проєкту.

Попередня обробка є, ймовірно, найважливішим етапом проєкту машинного навчання. У цьому розділі розглядаються кроки попередньої обробки, необхідні для майже будь-якого набору даних.

Конвеєр — це зручний спосіб об'єднати всі етапи попередньої обробки, а також модель. Конвеєри значно спрощують навчання та використання моделі.

Моделювання — це найцікавіший етап проєкту машинного навчання. Дізнаймося, як створювати, налаштовувати та оцінювати модель!

Почнемо з найпростішої моделі лінійної регресії. Ви ознайомитеся з основною ідеєю лінійної регресії та дізнаєтеся, як здійснювати прогнозування в Python.

Більшість реальних задач прогнозування включають більше ніж одну ознаку. Ви дізнаєтеся, як працювати з лінійною регресією з декількома ознаками.

Пряма лінія не завжди добре описує дані. Дізнаймося, як побудувати складнішу модель для прогнозування. Саме для цього підходить поліноміальна регресія.

Тепер, коли ви знаєте, як створювати різні моделі лінійної регресії, необхідно визначити спосіб вибору найкращої з них. Це можливо за допомогою метрик. У цьому розділі розглядаються найбільш поширені метрики та труднощі, з якими можна зіткнутися під час їх використання.

Занурення в основи кластеризації та виявлення відмінностей від класифікації. Огляд основних алгоритмів, інструментів і бібліотек, що забезпечують роботу цього методу неконтрольованого навчання для виявлення прихованих закономірностей у даних.

Отримання ґрунтовного розуміння ключових методів попередньої обробки, що забезпечують ефективне кластерування. Опанування методів обробки пропущених значень, кодування категоріальних ознак, нормалізації даних, а також вибору відповідних метрик відстані та зв'язків для підвищення точності кластеризації.

Опанування навичок ефективного застосування кластеризації K-Means. Вивчення принципів роботи алгоритму, визначення оптимальної кількості кластерів, набуття практичного досвіду впровадження K-Means на синтетичних і реальних наборах даних.

Ознайомлення з основами ієрархічного кластерування та групування даних у змістовні кластери за допомогою дендрограм. Формування впевненості у визначенні оптимальної кількості кластерів і застосуванні методу до синтетичних і реальних наборів даних.

Дізнайтеся, як DBSCAN ефективно виявляє кластери різної форми та обробляє шум у даних. Ознайомтеся з принципами роботи цього алгоритму на основі щільності, методами призначення точок до кластерів і застосуванням до синтетичних та реальних наборів даних.

Отримайте ґрунтовне розуміння моделей змішування Гауса та того, як вони використовують ймовірність для моделювання складних форм кластерів. Ознайомтеся з принципами гаусового розподілу, дослідіть роботу GMM і закріпіть знання шляхом застосування до штучних і реальних даних.

Дізнайтеся, як навчати агентів приймати оптимальні рішення методом проб і помилок. Ознайомтеся з основами теорії навчання з підкріпленням. Отримайте практичний досвід налаштування та запуску середовища Gymnasium.

Опанування компромісу між дослідженням і використанням на прикладі проблеми багаторукого бандита. Реалізація оцінки цінності дій, ε-жадібного методу, методу верхньої довірчої межі та градієнтного бандита. Оцінювання ефективності алгоритмів на симульованих завданнях максимізації винагороди.

Опанування динамічного програмування для модельно-орієнтованого навчання з підкріпленням. Вивчення використання рівнянь Беллмана для оцінки та покращення стратегій. Реалізація алгоритмів ітерації політики та ітерації значень. Дослідження узагальненої ітерації політики як теоретичної основи для безмодельних методів.

Оволодіння методами Монте-Карло для безмодельного навчання з підкріпленням. Оцінювання функцій цінності та отримання оптимальних стратегій на основі повних епізодів. Реалізація алгоритмів контролю Монте-Карло з політикою та без політики. Вивчення стратегій дослідження для оптимізації безмодельного навчання.

Опанування навчання з часовою різницею для безмодельного підкріплення. Оцінювання функцій цінності за частковими епізодами з використанням оновлень TD(0). Реалізація алгоритмів SARSA на політиці та Q-навчання поза політикою. Аналіз поєднання методів Монте-Карло та навчання з часовою різницею в n-кроковому TD і TD(λ).

Спочатку ми розглянемо, що таке нейронна мережа та як вона працює. Також буде розглянуто сфери її застосування.

Далі ми спробуємо побудувати власну нейронну мережу та оцінити її ефективність у навчанні. Також розглянемо готове рішення з бібліотеки scikit-learn.

Нарешті, ми надамо додаткову корисну інформацію щодо вибору моделі та типів нейронних мереж. Для завершення курсу буде проведено тестування набутих знань.