Лекция 1. Введение в машинное обучение. Задачи, подходы, возможности и проблемы

Лекция 2. Библиотеки Python, используемые для машинного обучения. Практическое занятие

Лекция 3. Байесовский классификатор. Метод максимального правдоподобия. Априорная и апостериорная информация

Лекция 4. Линейные методы регрессии и классификации

Лекция 5. Метрические методы регрессии и классификации

Лекция 6. Метод опорных векторов

Лекция 7. Многомерная линейная и нелинейная регрессия. Градиентные методы

Лекция 8. Критерии оценки качества моделей. Логические закономерности

Лекция 9. Ансамбли алгоритмов. Беггинг и бустинг

Лекция 10. Искусственные нейронные сети. Базовые архитектуры и методы обучения

Лекция 11. Нейронные сети для распознавания цифр. Задачи обучения без учителя. Часть 1

Лекция 12. Задачи обучения без учителя. Часть 2

Лекция 13. Работа с временными рядами

Лекция 14. Обучение с подкреплением