Машинно обучение. Основен курс 52 668 rub. от Otus, обучение 6 месеца, дата 27 февруари 2023 г.

разни / by admin / November 30, 2023

click fraud protection

Ще се научите да решавате проблеми от реални работни процеси, които най-често се възлагат на начинаещи специалисти в Data Science. До края на курса ще сте събрали портфолио от работа, завършили сте подготовка за интервю и кариерно консултиране.

Курсът ще ви даде необходимата основа:
Python. Ще преминете през основите на програмирането и ще научите как да използвате този най-подходящ език в задачите на машинното обучение.
Математика. Овладейте ключови секции, за да разберете теоретичните основи и принципите на алгоритмите.
Класически модели на машинно обучение. Съберете вашите набори от данни и завършете пълен набор от работа с първите си модели.

Творческа атмосфера:
По време на обучението ще се потопите в условия, близки до реалните работни процеси. Ще трябва да се справите с мръсни данни, да мислите напред, да експериментирате с решения и да подготвите модели за производство.
Средата в класната стая насърчава учениците да бъдат любопитни, да дискутират активно и да не се страхуват от грешки.

Личен ментор:

instagram viewer

Онлайн сесии за 40 минути всяка седмица;
В началото на вашето обучение вие получавате ментор. Подобно на учителите, менторите са експерти, работещи в Data Science;
Веднъж седмично си правите домашното, публикувате го в GitHub и организирате разговор с вашия ментор;
Менторът се запознава с вашия код предварително, така че до момента на срещата той вече знае на какво да обърне внимание. Можете също да подготвите въпроси;
По време на сесията менторът ще коментира вашето решение. Ако е необходимо, можете незабавно да отидете в средата за разработка, да направите промени в кода и веднага да видите резултата.

След обучение ще можете да:
Кандидатствайте за позиции, които изискват младши компетенции
Решавайте реални бизнес проблеми с помощта на методи за машинно обучение
Работете с библиотеки на Python за машинно обучение
Справяне с нестандартни ситуации чрез дълбоко теоретично разбиране за това как работят алгоритмите и моделите
Навигирайте в различни области на Data Science и изберете инструменти, подходящи за задачата.

Мария Тихонова

курс

Работи като анализатор на данни в екипа на AGI NLP в Сбербанк. Работи върху езикови модели на невронни мрежи и тяхното приложение в реални проблеми. Вярва, че работата в областта на Data Science предоставя уникална...

Работи като анализатор на данни в екипа на AGI NLP в Сбербанк. Работи върху езикови модели на невронни мрежи и тяхното приложение в реални проблеми. Той вярва, че работата в областта на Data Science предоставя уникална възможност да се правят луди готини неща на ръба на науката, които променят света тук и сега. Преподава дисциплини по анализ на данни, машинно обучение и data science във Висшето училище по икономика. Мария е завършила Механико-математическия факултет на Московския държавен университет и Школата за анализ на данни Yandex. В момента Мария е аспирант във Висшето училище по икономика към Факултета по компютърни науки. Нейните научни интереси включват области на науката за данни като обработка на естествен език и моделиране на теми. Програмен мениджър

Дмитрий Сергеев

курс

Практикува машинно обучение и анализ на данни от 2012 г. В момента работи като ръководител на R&D в WeatherWell. Има опит в практическото приложение на машинното обучение в разработката на игри, банкирането и здравните технологии. Преподавал е машинно обучение и анализ на данни в Центъра за математически финанси на Московския държавен университет и е бил гост-лектор във Факултета по компютърни науки на Националния изследователски университет Висше училище по икономика и различни летни училища. Образование: Икономико-математически РЕУ им. Плеханов, Централен факултет по математика и математика на Московския държавен университет, усъвършенствано професионално обучение на Факултета по компютърни науки на Висшето училище по икономика „Практически анализ на данни и машинно обучение“, магистър по компютърни науки Аалто Университетски стек/интереси: Python, машинно обучение, времеви серии, откриване на аномалии, отворени данни, ML за социални добре

Въведение в Python
-Тема 1.Опознаване
-Тема 2. Настройка на работната среда
-Тема 3. Основни типове и структури от данни. Контрол на потока
-Тема 4. Работа с функции и данни
-Тема 5.Git, shell

Въведение в Python. ООП, модули, бази данни
-Тема 6. Основи на ООП
-Тема 7. ООП за напреднали, изключения
-Тема 8. ООП за напреднали, продължение
-Тема 9.Модули и импорти
-Тема 10.Тестове
-Тема 11. Запознаване с вградените модули
-Тема 12. Файлове и мрежа

Основи на Python за ML
-Тема 13. Основи на NumPy
-Тема 14. Основи на Pandas
-Тема 15. Визуализация на данни

Теоретичен минимум за ML: математика, линейна, статистика
-Тема 16.Матрици. Основни понятия и операции
-Тема 17.Практ. Матрици
-Тема 18. Диференциране и оптимизиране на функции
-Тема 19.Практ. Диференциране и оптимизиране на функциите
-Тема 20. Алгоритми и изчислителна сложност
-Тема 21.MNC и MSE
-Тема 22.Практ. МНП и МСП
-Тема 23. Случайни величини и тяхното моделиране
-Тема 24.Практ. Случайни величини и тяхното моделиране
-Тема 25. Изследване на зависимости: номинални, порядкови и количествени величини
-Тема 26.Практ. Изследване на зависимости: номинални, порядкови и количествени величини
-Тема 27.AB тестване

Основни методи за машинно обучение
-Тема 28. Въведение в машинното обучение
-Тема 29. Проучвателен анализ на данни и предварителна обработка
-Тема 30. Класификационен проблем. Метод на най-близките съседи
-Тема 31.Регресионна задача. Линейна регресия
-Тема 32. Логистична регресия
-Тема 33.Дървета на решения
-Тема 34. Инженеринг на функции и разширена предварителна обработка
-Тема 35. Практически урок - решаване на Kaggle с помощта на всичко, което сме научили

Работа по проект
-Тема 36. Избор на тема и организация на работата по проекта
-Тема 37. Консултация по проекта
-Тема 38. Защита на проекта

Tags облак

разни

оценка

Прегледи

Коментари