Машинное обучение

Курс представляет собой комплексную дисциплину по машинному обучению, охватывающую полный путь от математических основ обучения моделей до построения прогностических систем на временных данных. Программа структурирована в четыре модуля. Первый модуль закладывает фундамент: жизненный цикл модели и стандарт CRISP-DM, обучение с учителем на примере линейной регрессии, работа с признаковым пространством, регуляризация (LASSO, Ridge), а также строгая постановка задачи через сингулярное разложение матрицы признаков и решение некорректных задач при помощи псевдообратной матрицы. Второй модуль посвящён методам обучения моделей: безусловной минимизации функционала ошибки методами спуска, стохастическому градиентному спуску и его сходимости, нелинейным моделям, логистической регрессии и методу опорных векторов с ядровым обобщением. Третий модуль охватывает снижение размерности (линейный и нелинейный метод главных компонент), обучение без учителя и кластеризацию (k-means, агломеративные методы, DBSCAN, частичное обучение), настройку моделей безградиентными методами и средствами AutoML (Optuna), а также ансамблевые методы — от случайного леса и AdaBoost до промышленных бустингов XGBoost, LightGBM и CatBoost. Четвёртый модуль переносит освоенный аппарат на временные ряды: статистический анализ и модели семейства ARIMA/SARIMA, машинное обучение для рядов со специфическим Feature Engineering, корректная валидация без «заглядывания в будущее», нейросетевые архитектуры для последовательностей (LSTM, GRU, Transformers) и современные библиотеки автоматического прогнозирования (Prophet, NeuralProphet). Все темы подкрепляются практической работой на открытых и реальных индустриальных наборах данных. По итогам курса слушатель владеет полным циклом построения моделей машинного обучения: от подготовки данных и обучения базовых алгоритмов до ансамблирования, интерпретации результатов и прогнозирования временных последовательностей с выбором адекватных метрик качества.