Курс «Построение нейронных сетей в SPSS»

Актуальная программа курса (7 модулей, по данным школы)

1. Тема 1. Введение в нейронные сети (2 ак.ч.); Понятие машинного обучения; Основные виды машинного обучения; Задачи классификации и регрессии; Биологическая модель нейрона; Основные принципы работы мозга; Понятие искусственной нейронной сети; Архитектура нейронных сетей; Виды нейронных сетей; Этапы построения нейронной сети; Области применения нейронных сетей; Преимущества и недостатки нейронных сетей
2. Тема 2. Математическая модель искусственного нейрона (2 ак.ч.); Математическая модель нейрона; Сравнение биологической и искусственной нейронной сети; Выбор функции активации; Требования к функции активации; Униполярная пороговая функция активации; Биполярная пороговая функция активации; Сравнение униполярной и биполярной функций активации; Решение задачи классификации с помощью модели нейрона; Проблема линейной неразделимости в задачах классификации; Решение проблемы линейной неразделимости; Сигмоидальная функция активации; Гиперболический тангенс; Линейная функция активации; Кусочно-линейные функции активации; Решение задачи регрессии нейросетью; Решение задачи классификации нейросетью; Функция активации софтмакс
3. Тема 3. Алгоритм градиентного спуска для обучения нейронной сети (2 ак.ч.); Обучающая выборка; Требования к обучающей выборке; Задача обучения нейронной сети; Критерий ошибки в задаче регрессии; Критерий ошибки в задаче классификации; Функция ошибки и ее аргументы; Понятие спуска по функции ошибки; Минимумы функции ошибки; Производная и градиент функции ошибки; Градиентный спуск; Ограничения метода градиентного спуска; Решение проблемы локальных минимумов; Градиентный спуск на квадратичной поверхности; Влияние скорости на градиентный спуск; Градиентный спуск с инерцией
4. Тема 4. Настройка обучения нейронной сети (2 ак.ч.); Подготовка данных перед обучением нейронной сети; Влияние уклона функции ошибки на обучение сети; Влияние формы функции ошибки на обучение сети; Способы подготовки данных; Выбор начальных параметров нейронов; Выбор режима обучения сети; Свойства режимов обучения; Проблемы переобучения и недообучения модели; Причины переобучения модели; Склонность многослойных сетей к переобучению; Метод кросс-проверки; Выбор архитектуры сети с помощью кросс-проверки; Оценка качества сети с помощью кросс-проверки; Анализ ошибок в процессе обучения модели; Устранение переобучения и недообучения модели
5. Тема 5. Построение многослойных перцептронов в SPSS (4 ак.ч.); Этапы построения нейронной сети в SPSS; Подготовка данных; Представление категориальных данных; Представление количественных данных; Процедура Многослойный перцептрон; Сводка обработки и информация о сети; Настройка вывода информации о сети; Сводка для модели и таблица классификации; Исследование ROC-кривой; Исследование диаграммы выигрышей; Исследование диаграммы точности прогнозов; Исследование важности независимых переменных; Управление разделением выборки; Управление архитектурой сети; Управление процессом обучения; Критерии остановки обучения; Сохранение результатов Экспорт модели
6. Тема 6. Построение сетей радиальных базисных функций в SPSS (2 ак.ч.); Архитектура сети радиальных базисных функций; Радиальная базисная функция; Нормализованная радиальная базисная функция; Функция ошибки сети РБФ; Алгоритм обучения сети РБФ; Определение параметров скрытого слоя; Определение параметров выходного слоя; Определение числа нейронов в скрытом слое; Сравнение сети РБФ и многослойного перцептрона; Процедура радиальная базисная функция; Управление архитектурой сети
7. Практическая работа (2 ак.ч.)

Сколько зарабатывают в профессии (медиана hh.ru, по 135 вакансиям)

Окупаемость: стоимость курса ≈ 1 мес зарплаты junior-специалиста.

Сравнение с похожими курсами других школ

Стоит ли идти на этот курс

Когда этот курс вам не нужен

Если вы уже строили нейросети в SPSS и знаете разницу между MLP и RBF на практике — этот курс пройдёте без новых открытий. Не подойдёт и тем, кто ищет переход в ML-разработку на Python или R: инструмент здесь один, и выхода за SPSS-экосистему программа не даёт. Наконец, два дня — не тот формат, если хочется вдумчиво разобраться с математикой без спешки.

Как выбрать курс по этому направлению

Курсов по нейросетям много, а вот по нейросетям в SPSS — единицы. На что реально обращать внимание. Первое: есть ли в программе математика архитектур, а не только «нажмите кнопку запуска» — градиентный спуск и параметры обучения должны быть разобраны отдельно, иначе модель останется чёрным ящиком. Второе: разбирают ли оценку качества модели, а не только её построение — без этого непонятно, что говорить заказчику по результату. Третье: сколько времени на практику относительно теории. Двухдневный формат с практической работой в финале — нормальный минимум для прикладного навыка. Документ об окончании и трудоустройство — отдельный вопрос: про них в описании курса ничего не сказано, так что свяжитесь с Центром статистического анализа напрямую, прежде чем переводить деньги.

Частые вопросы