Catalog
Not-avatar

Роман Душкин

Expert
0
Системный архитектор, разработчик, эксперт в области систем искусственного интеллекта в различных отраслях (медицина, комплексная безопасность, транспорт). Создатель действующей системы поддержки принятия решений в МЧС для реагирования на химические, радиационные и биологические угрозы. Действующий системный архитектор в ряде проектов интеллектуальных транспортных систем и комплексных систем безопасности. Состою в Российской Ассоциации Искусственного Интеллекта, Ассоциации Транспортных Инженеров, Российской Ассоциации Криптовалют и Блокчейна. Являюсь автором 20 книг по искусственному интеллекту, математике, квантовым вычислениям и функциональному программированию. Выступаю экспертом по ИИ для ведущих российских СМИ: Коммерсант, Вести, Россия 24, Бизнес ФМ, vc.ru, Секрет Фирмы, roem.ru, Lifehacker и др.

Course Preview

0.00 / 0.00
Normal/>
Speed
  • x 0.25
  • x 0.5
  • x 0.75
  • x Normal
  • x 1.25
  • x 1.5
  • x 1.75
  • x 2.0

Skills you will gain

Машинное обучение Искусственные нейронные сети Обучение с подкреплением Ансамблевые методы

Course description

Машинное обучение — это очень широкое направление исследований и прикладных разработок в области Искусственного Интеллекта. Сегодня машинное обучение представлено не только статистическими и дедуктивными методами, но и массой новых индуктивных подходов, одним из главных среди которых являются искусственные нейронные сети. Из нашего курса вы узнаете, какие методы машинного обучения есть, как и для каких задач их можно применять и что для этого нужно. После того как вы пройдёте курс, вы сможете абсолютно осознанно подходить к выбору решений, на экспертном уровне разговаривать с разработчиками, да и вообще уровень вашей сексуальности повысится на порядок. Этот курс будет полезен: Студентам и школьникам Бизнесменам и менеджерам Чиновникам и лицам, принимающим решения Журналистам и технологическим блогерам

Course content

Я расскажу о курсе, что мы будем изучать и как будем учиться

Логистика курса

3m
Мы обсудим для чего людям обучать машины и разницу между обучением и интеллектом. Рассмотрим три составляющие машинного обучения и составим его карту, которая нужна для того, чтобы иметь общее представление об алгоритмах и методах, которые были разработаны в рамках этой дисциплины.

Зачем обучать машины

2m

Зачем обучать машины

1m

Три составляющие машинного обучения

3m

Три составляющие машинного обучения

1m

Обучение или Интеллект?

2m

Обучение или Интеллект?

1m

Карта мира машинного обучения

4m

Карта мира машинного обучения

1m

Тест

5m
В этой части мы рассмотрим классические методы машинного обучения с учителем и без. В основном это статистические методы нахождения закономерностей в данных, которые решают задачи классификации, регрессии, кластеризации, обобщения и поиска правил. Сегодня на классических алгоритмах держится половина интернета. Когда вы встречаете блок «Рекомендованные статьи» на сайте, или банк блокирует все ваши деньги на карточке после первой же покупки кофе за границей — это почти всегда дело рук одного из этих алгоритмов.

Классическое обучение

2m

Классическое обучение

1m

Обучение с учителем

1m

Обучение с учителем

1m

Классификация

5m

Классификация

3m

Регрессия

2m

Регрессия

1m

Обучение без учителя

1m

Обучение без учителя

1m

Кластеризация

4m

Кластеризация

2m

Уменьшение размерности (обобщение)

3m

Уменьшение размерности (обобщение)

2m

Поиск правил (ассоциация)

2m

Поиск правил (ассоциация)

1m

Тест

5m
В этой секции мы изучим обучение с подкреплением. Это когда мы бросаем робота в лабиринт, и он сам ищет из него выход. Этот метод используют для беспилотных автомобилей, роботов-пылесосов, игр, автоматической торговли, управления ресурсами предприятий. При использовании обучения с подкреплением машина тренируется при взаимодействии с окружающей средой и учится выбирать лучшие альтернативы на основе вознаграждений и наказаний. Популярными алгоритмами являются Q-learning, SARSA, DQN, A3C. Мы также узнаем про марковский процесс принятия решений.

Обучение с подкреплением. Часть 1

2m

Обучение с подкреплением. Часть 1

1m

Обучение с подкреплением. Часть 2

2m

Обучение с подкреплением. Часть 2

1m

Обучение с подкреплением. Часть 3

2m

Обучение с подкреплением. Часть 3

1m

Тест

5m
Мы рассмотрим ансамблевые методы обучения машин. Это когда куча глупых деревьев решений учится исправлять ошибки друг друга. Сегодня этот подход используют для всего, где подходят классические алгоритмы, но ансамбли работают точнее. Также ансамбли используются в поисковых системах, компьютерном зрении и распознавании образов. Наиболее популярные алгоритмы — это Random Forest, Gradient Boosting. Мы рассмотрим два наиболее точных метода, бэггинг и бустинг.

Ансамбли. Стекинг

2m

Ансамбли. Стекинг

1m

Бэггинг

1m

Бэггинг

1m

Бустинг

1m

Бустинг

1m

Тест

5m
Эта секция посвящена искусственным нейронным сетям и глубокому обучению, методам машинного обучения на самой вершине хайпа. Сегодня нейронные сети используют для определения объектов на фото и видео, распознавания и синтеза речи, обработки изображений, переноса стиля, машинного перевода, да и вообще вместо всех ранее изученных алгоритмов, так как нейронная сеть является универсальным аппроксиматором. Обсудим популярные на сегодняшний день архитектуры.

Нейросети и глубокое обучение. Часть 1

3m

Нейросети и глубокое обучение. Часть 1

1m

Нейросети и глубокое обучение. Часть 2

3m

Нейросети и глубокое обучение. Часть 2

1m

Свёрточные нейросети

3m

Свёрточные нейросети

1m

Рекуррентные нейросети

2m

Рекуррентные нейросети

1m

Тест

5m
Давайте обсудим вопрос «когда машины станут умнее нас и всех поработят?»

Когда на войну с машинами

2m

Когда на войну с машинами?

1m

Requirements

Базовая математическая подготовка была бы полезна, но не обязательно
Skilleton Image

All levels

2h 1m

Russian

?

Video lectures

Study materials