Машинно обучение. Професионален - безплатен курс от Otus, обучение 5 месеца, Дата: 2 декември 2023 г.
разни / / December 05, 2023
Последователно ще овладеете модерни инструменти за анализ на данни и ще можете да създавате модели за машинно обучение на професионално ниво. За да консолидирате уменията си с всеки алгоритъм, ще извършите пълен набор от работа от подготовката на набора от данни до анализирането на резултатите и подготовката за производство. Практиката и знанията, които ще получите, ще са достатъчни за самостоятелно решаване на класически ML проблеми и кандидатстване за позиции Junior+ и Middle Data Scientist.
Портфолио проекти
По време на курса ще завършите няколко портфолио проекта и ще се научите как компетентно да представяте резултатите от работата си, за да преминете интервюта. За окончателния си проект можете да вземете една от опциите, предложени от учителя, или да реализирате своя собствена идея.
За кого е този курс?
За начинаещи анализатори и специалисти по данни. Курсът ще ви помогне да систематизирате и задълбочите знанията си. Ще можете да експериментирате с подходи, да анализирате работещи случаи и да получавате висококачествена обратна връзка от експерти.
За разработчици и специалисти в други области, които искат да сменят професията си и да се развиват в областта на Data Science. Курсът ще ви даде възможност да изградите силно портфолио и да се потопите в атмосферата на реални задачи като специалист по данни.
За да научите, ще ви трябва опит с Python на ниво писане на собствени функции, както и познания по математически анализ, линейна алгебра, теория на вероятностите и математика. статистика.
Характеристики на курса
Най-добри практики и тенденции. При всяко стартиране програмата се актуализира, за да отразява бързо променящите се тенденции в Data Science. След обучение ще можете веднага да започнете работа по реални проекти.
Важни вторични умения. Курсът включва теми, които обикновено се пренебрегват, но са необходими за специалист в ежедневните задачи и са високо ценени от работодателите:
— изграждане на системи за автоматично търсене на аномалии;
— прогнозиране на времеви редове с помощта на машинно обучение;
— конвейери от край до край за работа с данни, готови за внедряване в производство.
Творческа атмосфера и условия, близки до реалните работни процеси. Целият курс е изграден като симулатор на ежедневния работен живот на учен по данни, където ще трябва да се справите с „мръсни“ данни, изчислете действията си предварително, експериментирайте с решения и подгответе модели производство В този случай ще ви трябва любопитство, постоянство и жажда за нови преживявания.
3
курсРаботи 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
3
курсПрактикува 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...
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
Усъвършенствани техники за машинно обучение
-Тема 1. Въвеждащ урок. Прегледайте основните концепции за машинно обучение с практически пример
-Тема 2. Дървета на решенията
-Тема 3.Python за ML: тръбопроводи, ускоряване на pandas, мултипроцесиране
-Тема 4. Моделни ансамбли
-Тема 5. Повишаване на градиента
-Тема 6.Опорна векторна машина
-Тема 7. Методи за намаляване на размерността
-Тема 8. Учене без учител. K-средни, EM алгоритъм
-Тема 9. Учене без учител. Йерархично групиране. DB-сканиране
-Тема 10. Откриване на аномалии в данни
-Тема 11. Практическо занятие - Конструиране на конвейери от край до край и сериализиране на модели
-Тема 12. Алгоритми върху графики
Събиране на данни. Анализ на текстови данни.
-Тема 13. Събиране на данни
-Тема 14.Анализ на текстови данни. Част 1: Предварителна обработка и токенизиране
-Тема 15.Анализ на текстови данни. Част 2: Векторни представяния на думи, работа с предварително обучени вграждания
-Тема 16.Анализ на текстови данни. Част 3: Разпознаване на именуван обект
-Тема 17.Анализ на текстови данни. Част 4: Тематично моделиране
-Тема 18. Въпроси и отговори
Анализ на времеви редове
-Тема 19. Анализ на динамичните редове. Част 1: Постановка на проблема, най-прости методи. Модел ARIMA
-Тема 20. Анализ на динамичните редове. Част 2: Извличане на функции и прилагане на модели за машинно обучение. Автоматично прогнозиране
-Тема 21. Анализ на времеви редове Част 3: Групиране на времеви редове (търсене на свързани борсови котировки)
Системи за препоръчване
-Тема 22. Препоръчителни системи. Част 1: Постановка на проблема, метрика на качеството. Съвместно филтриране. Студен старт
-Тема 23. Препоръчителни системи. Част 2: Филтриране на съдържание, хибридни подходи. Правила на асоциацията
-Тема 24. Препоръчителни системи. Част 3: Неявна обратна връзка
-Тема 25. Практическо занятие по препоръчителни системи. Изненада
-Тема 26. Въпроси и отговори
Допълнителни теми
-Тема 27. Kaggle ML обучение №1
-Тема 28. Kaggle ML обучение № 2
-Тема 29.ML в Apache Spark
-Тема 30. Търсене на работни места в Data Science
Работа по проект
-Тема 31. Избор на тема и организация на работата по проекта
-Тема 32. Консултации по проекти и домашни
-Тема 33. Защита на проектантска работа