Cílem kurzu Hybridní modely v datové vědě je poskytnout studentům komplexní porozumění tomu, jak kombinovat tradiční algoritmy strojového učení s pokročilejšími technikami za účelem vytvoření výkonných hybridních modelů. Studenti se naučí klíčové ensemble metody, jako jsou bagging a boosting, a prozkoumají, jak integrovat strojové učení se statistickými modely, pravidlovými přístupy a neuronovými sítěmi. Kurz bude klást důraz na praktickou implementaci s využitím Pythonu a bude obsahovat praktická cvičení k upevnění teoretických konceptů. Na konci kurzu budou studenti mít dovednosti aplikovat hybridní modely na výzvy v reálných datech.
The aim of the course Hybrid Models in Data Science is to provide students with a comprehensive understanding of how to combine traditional machine learning algorithms with more advanced techniques to build powerful hybrid models. Students will learn key ensemble methods, such as bagging and boosting, and explore how to integrate machine learning with statistical models, rule-based approaches, and neural networks. The course will emphasize practical implementation using Python, with hands-on exercises to reinforce the theoretical concepts. By the end, students will have the skills to apply hybrid models to real-world data challenges.
The aim of the course Hybrid Models in Data Science is to provide students with a comprehensive understanding of how to combine traditional machine learning algorithms with more advanced techniques to build powerful hybrid models. Students will learn key ensemble methods, such as bagging and boosting, and explore how to integrate machine learning with statistical models, rule-based approaches, and neural networks. The course will emphasize practical implementation using Python, with hands-on exercises to reinforce the theoretical concepts. By the end, students will have the skills to apply hybrid models to real-world data challenges.
- Učitel: Sergii Babichev