Модуль 1. Что такое разговорный искусственный интеллект?
-
-
Машинное обучение. Когда оно бывает вредным?
-
-
История развития искусственного интеллекта
Модуль 2. Умеет ли искусственный интеллект общаться?
-
Умеет ли искусственный интеллект общаться?
-
Как анализировать целые тексты?
-
Обучение с учителем. Классификация и регрессия
Модуль 3. Как передать текст компьютеру? Лингвистический аспект
-
Какие признаки бывают у объектов?
-
Стемминг: как отсекать лишнее?
-
Лемматизация: что делать с морфологическими омонимами?
-
Токенизация и лемматизация русских текстов с помощью библиотеки spaCy. Практическое занятие
Модуль 4. Как передать текст компьютеру? Статистический аспект
-
Ищем устойчивые сочетания слов. Статистика VS лингвистика
-
Выбор значимых элементов из «мешка слов» на основе критерия ?2
-
Векторизация текстов на основе TF-IDF и сокращение «мешка слов» на основе критерия ?2. Практическое занятие
-
Применение коллокатора для «умного» выявления наиболее частотных словосочетаний. Практическое занятие
Модуль 5. Как научить компьютер понимать тексты?
-
Методы обучения с учителем. Логистическая регрессия
-
Как обучать логистическую регрессию?
-
Что делать, если компьютер переучился?
-
Как оценить качество логистической регрессии?
-
Точность, полнота и F-мера для оценки качества классификации
-
Регуляризация и подбор гиперпараметров логистической регрессии
-
Применение библиотеки scikit-learn для анализа тональности твитов методом логистической регрессии. Практическое занятие
-
Оценка качества алгоритма классификации. Практическое занятие
-
Как улучшить качество классификатора? Практическое занятие
-
Как выбрать оптимальные гиперпараметры? Практическое занятие
Модуль 6. Как вырастить деревья решений?
-
Для чего нужны деревья решений?
-
-
-
Как бороться с переобучением деревьев?
-
Дискретизация количественных признаков
-
Выращиваем деревья решений для анализа тональности сообщений. Практическое занятие
-
Выращиваем деревья решений без ограничений по глубине. Практическое занятие
Модуль 7. Вместе мы сила! Равноправное голосование решающих алгоритмов
-
Теоретические основы ансамблирования
-
Бэггинг. Как повысить разнообразие алгоритмов в коллективе?
-
Бэггинг и дилемма смещения-разброса
-
Построение ансамбля алгоритмов для задачи анализа тональности сообщений. Практическое занятие
-
Использование бэггинга для логистической регрессии. Практическое занятие
Модуль 8. Вместе мы сила! Голосование с учётом компетентности
-
-
-
Градиентное усиление деревьев решений. Практическое занятие
-
-
Многоярусное обобщение. Стекинг
-
Иерархический ансамбль. Стекинг. Практическое занятие
Модуль 9. Проблема объяснимости модели
-
Интерпретируемость машинного обучения
-
Значимость признаков на основе перестановок
-
-
Значимость слов для классификации текстов: «белый ящик» и «черный ящик». Практическое занятие
Модуль 10. Проблема объяснимости корпуса текстов
-
Вероятностная тематическая модель
-
Вероятностный латентно-семантический анализ
-
Латентное размещение Дирихле
-
Использование вероятностных тематических моделей для анализа текстового корпуса. Практическое занятие
-