Strojno učenje. Osnovni - tečaj 52 668 rub. iz Otusa, usposabljanje 6 mesecev, datum 27.2.2023.
Miscellanea / / November 30, 2023
Naučili se boste reševati probleme iz realnih delovnih procesov, ki so najpogosteje dodeljeni specialistom začetnikom v Data Science. Do konca tečaja boste zbrali portfolio dela, opravili pripravo na razgovor in karierno svetovanje.
Tečaj vam bo dal potrebno osnovo:
Python. Spoznali boste osnove programiranja in se naučili uporabljati ta najpomembnejši jezik pri nalogah strojnega učenja.
Matematika. Obvladajte ključne dele za razumevanje teoretičnih osnov in principov algoritmov.
Klasični modeli strojnega učenja. Zberite svoje nabore podatkov in dokončajte celotno delo s svojimi prvimi modeli.
Ustvarjalno vzdušje:
Med usposabljanjem se boste potopili v pogoje, ki so blizu resničnim delovnim procesom. Ukvarjati se boste morali z umazanimi podatki, razmišljati vnaprej, eksperimentirati z rešitvami in pripravljati modele za proizvodnjo.
Razredno okolje spodbuja učence, da so radovedni, aktivno razpravljajo in se ne bojijo delati napak.
Osebni mentor:
40-minutne spletne ure vsak teden;
Na začetku usposabljanja vam je dodeljen mentor. Tako kot učitelji so tudi mentorji strokovnjaki, ki se ukvarjajo s podatkovno znanostjo;
Enkrat na teden naredite domačo nalogo, jo objavite na GitHubu in se dogovorite za klic z mentorjem;
Mentor se z vašo kodo seznani vnaprej, tako da do srečanja že ve, na kaj mora biti pozoren. Pripravite lahko tudi vprašanja;
Med predavanjem bo mentor komentiral vašo odločitev. Po potrebi lahko takoj odprete razvojno okolje, spremenite kodo in takoj vidite rezultat.
Po usposabljanju boste lahko:
Prijavite se na delovna mesta, ki zahtevajo junior kompetence
Rešite resnične poslovne probleme z metodami strojnega učenja
Delajte s knjižnicami Python za strojno učenje
Obvladovanje nestandardnih situacij s poglobljenim teoretičnim razumevanjem delovanja algoritmov in modelov
Krmarite po različnih področjih podatkovne znanosti in izberite orodja, primerna za nalogo.
3
sevedaDeluje kot podatkovni analitik v ekipi AGI NLP v Sberbank. Ukvarja se z jezikovnimi modeli nevronskih mrež in njihovo uporabo v problemih v resničnem življenju. Verjame, da delo na področju podatkovne znanosti zagotavlja edinstveno...
Deluje kot podatkovni analitik v ekipi AGI NLP v Sberbank. Ukvarja se z jezikovnimi modeli nevronskih mrež in njihovo uporabo v problemih v resničnem življenju. Verjame, da delo na področju podatkovne znanosti ponuja edinstveno priložnost za noro kul stvari na robu znanosti, ki spreminjajo svet tukaj in zdaj. Predava predmete analiza podatkov, strojno učenje in podatkovna znanost na Višji ekonomski šoli. Maria je diplomirala na Fakulteti za mehaniko in matematiko Moskovske državne univerze in Yandex School of Data Analysis. Maria je trenutno podiplomska študentka Višje ekonomske šole na Fakulteti za računalništvo in informatiko. Njeni raziskovalni interesi vključujejo področja znanosti o podatkih, kot sta obdelava naravnega jezika in modeliranje tem. Programski menedžer
3
sevedaOd leta 2012 se ukvarja s strojnim učenjem in analizo podatkov. Trenutno dela kot vodja raziskav in razvoja pri WeatherWell. Ima izkušnje s praktično uporabo strojnega učenja pri razvoju iger, bančništvu in...
Od leta 2012 se ukvarja s strojnim učenjem in analizo podatkov. Trenutno dela kot vodja raziskav in razvoja pri WeatherWell. Ima izkušnje s praktično uporabo strojnega učenja pri razvoju iger, bančništvu in zdravstveni tehniki. Poučeval je strojno učenje in analizo podatkov na Centru za matematične finance Moskovske državne univerze ter bil gostujoči predavatelj na Fakulteti za računalništvo Nacionalne raziskovalne univerze Visoke šole za ekonomijo in različnih poletnih šolah. Izobrazba: Ekonomsko-matematična REU im. Plekhanov, Centralna fakulteta za matematiko in matematiko Moskovske državne univerze, napredno strokovno usposabljanje Fakultete za računalništvo Visoke šole za ekonomijo "Praktična analiza podatkov in strojno učenje", mag. računalništva Aalto Univerzitetni sklad/zanimanja: Python, strojno učenje, časovne serije, odkrivanje anomalij, odprti podatki, ML za družabna omrežja dobro
Uvod v Python
-Tema 1. Spoznavanje
-Tema 2. Postavitev delovnega okolja
-Tema 3. Osnovni tipi in podatkovne strukture. Nadzor toka
-Tema 4. Delo s funkcijami in podatki
-Tema 5.Git, shell
Uvod v Python. OOP, moduli, baze podatkov
-Tema 6. Osnove OOP
-Tema 7. Napredni OOP, izjeme
-Tema 8. Napredni OOP, nadaljevanje
-Tema 9. Moduli in uvozi
-Tema 10. Testi
-Tema 11. Uvod v vgrajene module
-Tema 12. Datoteke in omrežje
Osnove Pythona za ML
-Tema 13. Osnove NumPy
-Tema 14. Osnove Pand
-Tema 15. Vizualizacija podatkov
Teoretični minimum za ML: matematika, linearna statistika
-Tema 16.Matrike. Osnovni pojmi in operacije
-Tema 17. Praksa. Matrike
-Tema 18. Diferenciacija in optimizacija funkcij
-Tema 19. Praksa. Diferenciacija in optimizacija funkcij
-Tema 20. Algoritmi in računska kompleksnost
-Tema 21.MNC in MSE
-Tema 22. Praksa. MNP in MSP
-Tema 23. Naključne spremenljivke in njihovo modeliranje
-Tema 24. Praksa. Naključne spremenljivke in njihovo modeliranje
-Tema 25. Študij odvisnosti: nominalne, ordinalne in kvantitativne količine
-Tema 26. Praksa. Preučevanje odvisnosti: nazivne, ordinalne in kvantitativne količine
-Tema 27.AB testiranje
Osnovne metode strojnega učenja
-Tema 28. Uvod v strojno učenje
-Tema 29. Raziskovalna analiza podatkov in predprocesiranje
-Tema 30. Klasifikacijski problem. Metoda najbližjih sosedov
-Tema 31. Problem regresije. Linearna regresija
-Tema 32.Logistična regresija
-Tema 33. Odločitvena drevesa
-Tema 34. Inženiring funkcij in napredna predprocesiranje
-Tema 35. Praktična lekcija - reševanje Kaggla z uporabo vsega, kar smo se naučili
Projektno delo
-Tema 36. Izbira teme in organizacija projektnega dela
-Tema 37. Projektno posvetovanje
-Tema 38. Zaščita projekta