При разработке продуктов, которые содержат в себе функционал на основе машинного обучения выделяют 2 важных этапа: обучение модели и ее применение.

Для обучения модели часто используется язык Python и многочисленные фреймворки для решения задач машинного обучения.

При применении модели уже нет такой однозначности и может возникнуть необходимость проинтегрировать готовую ML модель в код продукта, написанный на C++.

На данном мастер-классе предлагается разобрать несколько практических примеров такой интеграции, как с использованием готовых библиотек на C++, так и собственноручно написанного кода реализации, когда это будет самым простым вариантом.

Мы возьмем примеры из доклада - <a href='https://youtu.be/-AsZPAfV93Q' class="talk-link">"Обучаем на Python, применяем на C++"</a> и создадим на их основе работающие и протестированные модули на C++.

При работе с алгоритмами машинного обучения важно правильно понимать термины и основные идеи, которые стоят за такого типа алгоритмами. В качестве теоретической части МК мы рассмотрим базовую терминологию машинного обучения и важные элементы реализации алгоритмов при их применении.

План МК

1. Основные идеи и термины машинного обучения
2. Линейные методы (линейная и логистическая регрессия)
3. Хранение моделей и их обновление
4. Подходы к тестированию и сверке метрик
5. Алгоритмы ансамблирования
6. Библиотеки градиентного бустинга (XGBoost, CatBoost, LightGBM, кодогенерация)
7. Пакетная обработка и вопросы производительности
8. Нейросетевые модели и векторизация
9. Реализация нейронный сетей через матричные операции
10. Граф вычислений
11. Работа с библиотекой TensorFlow
12. Выводы и дальнейшие шаги

Дата: июль - ... 2021
<a href='https://docs.google.com/forms/d/e/1FAIpQLScMKJqxB0YSPAmvLZdCFX3ekKTW68sdB28DUTAv5dPsR8Kqdg/viewform?usp=sf_link' class="show-more">Уведомить о дате проведения</a>
Время: 10:00 - 19:00 (GMT+3)
Место: Zoom.
Стоимость: 300 - 400 BYN