Курс Machine Learning - март 2017

Курс Machine Learning - март 2017

09 март 2017 9 седмици 3 кредита

Какви умения ще придобия?

  • Основни принципи на machine learning, място в цялостната картина на data science
  • Обработка на данни за machine learning
  • Основни алгоритми за machine learning
  • Кога, как и защо се използва даден алгоритъм
  • Как се обучава, тества и валидира даден алгоритъм
  • Как изглежда „цялостната картина“ – от сурови данни до уеб услуга, която предсказва дадена стойност
  • Примери за machine learning в контекст

Курсът е подходящ за всички , които имат познания по математика на ниво средно образование, основни познания по статистика, както и познания по програмиране на ниво Programming Basics - типове данни, условни конструкции, цикли, т.н.

За целите на курса ще се използва езикът Python.

Докога мога да се запиша и кога стартира курсът?

Записването за курса е отворено до март. Обучението стартира на 9 март 2017 г. и завършва на 30 април 2017 г. с практически изпит.

Как мога да се запиша?

За да се запишете за курса, кликнете ТУК или на оранжевия бутон "ЗАЯВЕТЕ УЧАСТИЕ" и следвайте стъпките. След като заплатитие за курса, вие ще бъдете записани в него.

Кога и къде ще се провеждат занятията?

Занятията ще се провеждат в сградата на Софтуерния университет всеки четвъртък от 18:30 в зала Experience. Програмата на курса можете да видите в таблицата по-долу.

Какви са формите на обучение?

Имате възможност да изберете дали да се обучавате в присъствена или онлайн форма на обучение:

  • Присъствена:  Ако запишете присъствена форма имате възможност да посещавате занятията на място в СофтУни, да участвате в лабораторни упражнения в учебната зала, ще имате достъп до всички видео лекции и материали от курса, както и възможност да предавате своите домашни за проверка. Ще можете също да контактувате лично с лектор или асистент, когато срещнете затруднения.
  • Онлайн: Ако запишете онлайн обучение имате достъп до всички видео лекции и материали от курса, както и възможност да предавате своите домашни за проверка. 

Какво представлява практическият изпит на края на курса и ще получа ли сертификат?

Курсът завършва със защита на практически проект пред комисия. Защитата е в присъствена форма. Всички, явили се на нея могат да получат официален сертификат от СофтУни, ако получат оценка над много добър (5.00)

Колко струва обучението в курса? 

За курса се заплаща еднократна такса, включваща присъствено или онлайн обучение в СофтУни и възможност за явяване на изпит и издаване на сертификат.

Форма на обучениеВключваЦена
Присъствено

Записване за курса

  • Присъствие на всички учебни занятия
  • Достъп до ресурси и видеа от учебните занятия
  • Явяване на изпит и издаване на сертификат
180 лв.
Онлайн

Записване за курса

  • Достъп до ресурси и видеа от учебните занятия
  • Явяване на изпит и издаване на сертификат
160 лв.
quality-guaranteed

СофтУни ви дава 100% гаранция за качеството на този курс. За нас е важно да придобиете необходимите умения и знания. Ако по някаква причина обучението не отговори на очакванията ви, ние ви гарантираме възстановяване на сумата, която сте заплатили. Таксата може да ви бъде възстановена до третото занятие от курса (до 23 март).

Тема

Полезни ресурси

Материали

Тема

Course Introduction

Дата: 9 март 2017, 18:30

Материали

Още няма материали за тази лекция

Тема

Introduction to Machine Learning
  • Basic principles: supervised and unsupervised learning
  • Reinforcement learning – idea
  • Creating a complete data flow: from raw data to trained model
  • Exploring and preparing data for modelling
  • Cost function
  • Model hyperparameters

Дата: 9 март 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Linear and Logistic Regression
  • Regression – problem statement and motivation
  • Ordinary least squares: method, simulated example, implementation on real data
  • RANSAC – robust regression model
  • Linear regression extensions: polynomial regression, multi-dimensional linear regression
  • Classification – problem statement and motivation
  • Logistic regression: method, simulated example, real data
  • Regularization for regression and classification

Дата: 16 март 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Model Training and Improvement
  • Testing and training sets
  • Bias-variance tradeoff
  • k-Fold Cross-validation
  • Confusion matrix. Learning and validation curves. ROC
  • Model selection
  • Selecting meaningful features (dimensionality reduction): PCA, isomap

Дата: 23 март 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Tree and Ensemble Methods. Support Vector Machines
  • Information gain. Decision trees
  • Combining weak to strong learners: Random forests
  • k-NN for “lazy” learning: classification and regression – examples
  • SVM: maximum margin intuition
  • SVM kernels. “Kernel trick”
  • Classification with random forest and SVM

Дата: 30 март 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Unsupervised Learning
  • Unsupervised learning – principles, motivation
  • k-means clustering – motivation, example, kMeans++ 
  • Hierarchical clustering – motivation, example
  • Comparison between k-means and HC: pros and cons. DBSCAN
  • Recommender systems: problem description
  • Classical recommender systems: matrix factorization, latent Dirichlet allocation

Дата: 6 април 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Introduction to Neural Networks
  • Problem statement, motivation and results. Pros and cons
  • NN representation
  • Perceptron, softmax function
  • Two-class and multi-class problems
  • Feed-forward NNs: forward propagation
  • Chain rule. Backpropagation and learning
  • Regularization. Cross-entropy cost function
  • NN examples with real data
  • Convolutional NNs: ideas, example

13 април 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Machine Learning in Context, Part 1
  • Time series analysis
  • Time series data exploration
  • Time series modelling: LOESS regression, smoothing, STL
  • Autocorrelation
  • Working with time series: moving averages, autoregressive models
  • Forecasting
  • Spatial data analysis: intro, plotting on a map
  • Exploring spatial data
  • kNN, KDE
  • Variograms

Дата: 20 април 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Machine Learning in Context, Part 2
  • Text analysis – intro, motivation, examples
  • Stemming and removing stopwords
  • TF-IDF – description, example
  • Sentiment analysis – description, example
  • Image analysis – problem description
  • Image properties, histograms, gradients, image manipulation
  • Filters – examples (blurring and denoising)
  • Edge and corner detection
  • MM: erosion, dilation, opening, closing – examples
  • Demo: face detection

Дата: 27 април 2017, 18:30-22:00

Материали

Още няма материали за тази лекция

Тема

Защита на индивидуален проект

Дата: 30 април 2017, 10:00-16:00

Материали

Още няма материали за тази лекция

*Моля, докладвайте само грешки в материалите към лекцията. За всякакъв друг тип грешки, свързани със системата, използвайте формата за обратна връзка."