![Предобработка данных](/images/courses/nn_appl_1.png)
|
Принцип GIGO, способы предобработки данных: очистка данных, интеграция данных, редукция данных, преобразование данных, «грязные» данные и методы очистки данных, устранение выбросов и восстановление пропущенных значений в данных
|
|
![Формирование признаков](/images/courses/nn_appl_2.png)
|
Инженерия признаков (feature engineering), подходы к формированию признаков: конструирование признаков (feature construction), выделение признаков (feature extraction), отбор признаков (feature selection), обучение признаков (feature learning)
|
|
![Построение нейросетевой модели](/images/courses/nn_appl_3.png)
|
Общая схема построения нейросетевой модели, выбор архитектуры нейронной сети и метода обучения, подходы к настройке гипер-параметров нейросетевой модели и метода обучения, обучение и валидация нейросетевой модели
|
|
![Оценка качества нейросетевой модели](/images/courses/nn_appl_4.png)
|
Тестирование нейросетевой модели, оценка качества решения задач регрессии и классификации, статистический анализ ошибок регрессии, матрица ошибок нейросетевого классификатора, ROC-анализ нейросетевого классификатора, расчет показателя ROC AUC
|
|