Лекции
1
Лекция 1. Введение в машинное обучение. Задачи, подходы, возможности и проблемы
01:27:02
2
Лекция 2. Библиотеки Python, используемые для машинного обучения. Практическое занятие
01:37:29
3
Лекция 3. Байесовский классификатор. Метод максимального правдоподобия. Априорная и апостериорная информация
01:33:13
4
Лекция 4. Линейные методы регрессии и классификации
01:42:01
5
Лекция 5. Метрические методы регрессии и классификации
01:36:58
6
Лекция 6. Метод опорных векторов
01:11:58
7
Лекция 7. Многомерная линейная и нелинейная регрессия. Градиентные методы
01:49:34
8
Лекция 8. Критерии оценки качества моделей. Логические закономерности
01:49:41
9
Лекция 9. Ансамбли алгоритмов. Беггинг и бустинг
01:35:37
10
Лекция 10. Искусственные нейронные сети. Базовые архитектуры и методы обучения
01:43:20
11
Лекция 11. Нейронные сети для распознавания цифр. Задачи обучения без учителя. Часть 1
01:32:49
12
Лекция 12. Задачи обучения без учителя. Часть 2
01:40:58
13
Лекция 13. Работа с временными рядами
01:39:13
14
Лекция 14. Обучение с подкреплением
01:53:47