Машинное обучение на больших данных

И исследователи в лабораториях, и инженеры в больших корпорациях бьются над одной задачей — получить наиболее точную предсказательную модель по имеющимся данным. Эту задачу можно решить, используя современные методы из области машинного обучения. К сожалению, когда данных становится слишком много, классические алгоритмы становятся неэффективными или перестают работать вовсе.

В этом онлайн-курсе НИУ ВШЭ мы рассмотрим основные проблемы, которые возникают при попытке обучить машину на больших данных, и методы их решения. Изучим подходы для эффективной разметки данных, модификации в классических алгоритмах, которые позволяют им эффективно работать, а также наиболее популярные инструменты для решения задач интеллектуального анализа данных.

• Подготовка данных к обучению
• Сегодня машинное обучение в основном хорошо работает, когда у нас есть большие массивы размеченных данных. На этой неделе мы разберемся, какие форматы данных и разметки существуют и как эту разметку можно собирать.
• Обучение классических моделей на больших данных
• На этой неделе мы разберемся как обучать классические алгоритмы (линейные модели и деревья решений) на больших данных.
• Построение рекомендательных систем
• На этой неделе мы посмотрим, как можно распараллелить классические алгоритмы, применяемые в рекомендательных системах.
• Анализ больших объемов текстовой информации
• На этой неделе рассмотрим задачи машинного обучения на текстах. Поговорим про важный этап - предобработку текста, и то, как получить структурированное представление текстовых данных с помощью таких моделей как word2vec и BERT.
• Обучение глубоких нейронных сетей
• На этой неделе будем говорить о том, как распараллелить обучение современных нейросетей. Узнаем, как устроены внутри Horovod и Parameter Server. Также поговорим про Transfer Learning как способ избежать долгого обучения сети с нуля.