Machine Learning – август 2018
Loading...

Machine Learning – август 2018

28 август 2018 21 октомври 2018 8 седмици 6 кредита
Machine Learning – август 2018 icon

За курса

Умения, които ще придобиеш

  • Умения за изследване на проблеми и предлагане на решения
  • Познания за цялостния процес – от формулирането на задачата до завършения проект
  • Създаване на модели, които решават задачи от практиката
  • Основни принципи на machine learning
  • Разбиране за това по какъв начин работят алгоритмите, как се тестват и дебъгват
  • Приложение на machine learning за лични и професионални цели
  • Умения за изследване на проблеми и предлагане на решения
    Познания за цялостния процес – от формулирането на задачата до завършения проект
  • Създаване на модели, които решават задачи от практиката
    Основни принципи на machine learning
  • Разбиране за това по какъв начин работят алгоритмите, как се тестват и дебъгват
    Приложение на machine learning за лични и професионални цели

Теми

  • Introduction to Machine Learning

    • What is machine learning?
    • The scientific method
    • Basic principles: supervised and unsupervised learning, reinforcement learning
    • Preparing data
    • Preview of the entire process

    Дата: 28 август, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • 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: 4 септември, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • Model Training and Improvement

    • Training and testing set
    • Bias-variance tradeoff
    • k-fold cross-validation
    • Graphical methods: train/test curve, ROC, confusion matrix
    • Hyperparameters. Hyperparameter optimization
    • Model selection

    Дата: 11 септември, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • Tree and Ensemble Methods

    • Decision trees; information gain and entropy
    • Random forests
    • Boosting, AdaBoost
    • kNN (k nearest neighbors)
    • Applications: regression and classification

    Дата: 18 септември, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • Support Vector Machines

    • SVM intuition: maximum margin
    • Kernels. "Kernel trick"
    • Applications: regression and classification

    Дата: 25 септември, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • Clustering

    • Unsupervised learning: problem statement, intuition, challenges
    • k-means clustering – motivation, example, kMeans++ 
    • Hierarchical clustering – motivation, example
    • Comparison between k-means and HC: pros and cons
    • DBSCAN

    Дата: 2 октомври, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • Dimensionality Reduction

    • Problem statement, intuition
    • Feature selection vs. feature extraction
    • Low variance filter, high correlation filter
    • Random forests as DR algorithms
    • Principal Component Analysis (PCA): motivation, example, interpretation
    • Isometric mapping for DR and visualization

    Дата: 9 октомври, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • 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

    Дата: 16 октомври, от 18:30 - 22:00

    Ресурси от темата

    Още няма материали за тази лекция

  • EXAM

    Дата: 21 октомври, от 09:00 - 18:00

    Ресурси от темата

    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."

*
*
*

Курсът е подходящ за хора с предишен опит в програмирането на Python (на ниво Programming Basics) и Jupyter Notebook. Изискват се покриване на курсовете Math Concepts for Developers и Data Science или еквивалентни познания.

Докога мога да се запиша и кога стартира курсът?

Записването за курса е отворено до 25-ти август. Обучението стартира на 28-ми август 2018 г. и завършва със защита на самостоятелен практически проект на 21-ви октомври 2018 г.

Как мога да се запиша?

За да се запишете за курса, кликнете ТУК или на оранжевия бутон "ЗАЯВЕТЕ УЧАСТИЕ" и следвайте стъпките. След като заплатите 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 вторник от 18:30 в зала Knowledge.

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. 

*Препоръчително е да носите собствен лаптоп, ако сте записани в присъствена форма на обучение.

Certificate

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

Изпитът след обучението ще представлява задание за самоподготовка, което се защитава пред комисия. Заданието ще представлява защита на самостоятелен практически проект, в който студентите ще трябва да покажат самостоятелна работа по въпрос, включващ обработка и моделиране на данни. Изпитът ще се проведе присъствено в учебната зала. Всички, преминали го могат да получат официален сертификат от СофтУни, ако получат оценка над много добър (5.00)

Има ли допълнителни изисквания?

Необходим софтуер или хардуер за участие в курса:
Препоръчително е студентите да разполагат със собствени лаптопи, които да носят по време на обучението. Препоръчва се покриване на курсовете Math Concepts for Developers и Data Science или еквивалентни познания.

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
  • Контакт с лектор или асистент
Записването в присъствена форма ще бъде отворено до изчерпване на местата в учебната зала
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 10-ти септември). 

Преподавател

iordan_93 avatar