Strojno učenje. Profesionalni - brezplačni tečaj pri Otusu, izobraževanje 5 mesecev, Datum: 2.12.2023.

Miscellanea / by admin / December 05, 2023

click fraud protection

Dosledno boste obvladali sodobna orodja za analizo podatkov in bili sposobni ustvarjati modele strojnega učenja na profesionalni ravni. Če želite utrditi svoje spretnosti z vsakim algoritmom, boste izvedli celotno delo od priprave nabora podatkov do analize rezultatov in priprave za proizvodnjo. Praksa in znanje, ki ga boste prejeli, bosta zadostovala za samostojno reševanje klasičnih ML problemov in prijavo na delovna mesta Junior+ in Middle Data Scientist.

Portfeljski projekti

Na tečaju boste opravili več portfeljskih projektov in se naučili kompetentno predstaviti rezultate svojega dela za uspešno opravljene razgovore. Za svojo končno nalogo lahko izberete eno od možnosti, ki jih predlaga učitelj, ali uresničite svojo idejo.

Komu je ta tečaj namenjen?

Za začetnike analitike in podatkovne znanstvenike. Tečaj vam bo pomagal sistematizirati in poglobiti svoje znanje. Lahko boste eksperimentirali s pristopi, analizirali delujoče primere in prejeli kakovostne povratne informacije strokovnjakov.

instagram viewer

Za razvijalce in specialiste drugih področij, ki želijo zamenjati svoj poklic in se razvijati na področju Data Science. Tečaj vam bo dal priložnost, da zgradite močan portfelj in se potopite v vzdušje resničnih nalog podatkovnega znanstvenika.

Za učenje boste potrebovali izkušnje s Pythonom na ravni pisanja lastnih funkcij, pa tudi znanje matematične analize, linearne algebre, teorije verjetnosti in matematike. statistika.

Značilnosti tečaja

Najboljše prakse in trendi. Ob vsaki predstavitvi se program posodobi, da odraža hitro spreminjajoče se trende v podatkovni znanosti. Po usposabljanju boste lahko takoj začeli delati na realnih projektih.

Pomembne sekundarne veščine. Tečaj vključuje teme, ki so običajno spregledane, a so za strokovnjaka nujne pri vsakodnevnih opravilih in jih delodajalci zelo cenijo:
— izgradnja sistemov za samodejno iskanje nepravilnosti;
— napovedovanje časovnih vrst z uporabo strojnega učenja;
— cevovodi od konca do konca za delo s podatki, pripravljeni za implementacijo v produkcijo.

Kreativno vzdušje in pogoji, ki so blizu resničnim delovnim procesom. Celoten tečaj je zasnovan kot simulator vsakdanjega delovnega življenja podatkovnega znanstvenika, kjer se boste morali spopasti z »umazane« podatke, vnaprej izračunajte svoja dejanja, eksperimentirajte z rešitvami in pripravite modele proizvodnja V tem primeru boste potrebovali radovednost, vztrajnost in žejo po novih izkušnjah.

Marija Tihonova

seveda

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

Dmitrij Sergejev

seveda

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

Napredne tehnike strojnega učenja
-Tema 1. Uvodna lekcija. Ponovno si oglejte osnovne koncepte strojnega učenja s praktičnim primerom
-Tema 2. Odločitvena drevesa
-Tema 3.Python za ML: cevovodi, pospeševanje pand, večprocesiranje
-Tema 4.Maneketni ansambli
-Tema 5. Povečanje gradienta
-Tema 6. Podporni vektorski stroj
-Tema 7. Metode zmanjševanja dimenzionalnosti
-Tema 8. Učenje brez učitelja. K-povprečje, EM algoritem
-Tema 9. Učenje brez učitelja. Hierarhično združevanje v gruče. DB-skeniranje
-Tema 10. Iskanje nepravilnosti v podatkih
-Tema 11. Praktična lekcija - Konstrukcija cevovodov od konca do konca in serializacija modelov
-Tema 12.Algoritmi na grafih

Zbiranje podatkov. Analiza besedilnih podatkov.
-Tema 13. Zbiranje podatkov
-Tema 14. Analiza besedilnih podatkov. 1. del: Predprocesiranje in tokenizacija
-Tema 15. Analiza besedilnih podatkov. 2. del: Vektorske predstavitve besed, delo z vnaprej usposobljenimi vdelavami
-Tema 16. Analiza besedilnih podatkov. 3. del: Prepoznavanje imenovane entitete
-Tema 17. Analiza besedilnih podatkov. 4. del: Modeliranje teme
-Tema 18. Vprašanja in odgovori

Analiza časovnih vrst
-Tema 19. Analiza časovnih vrst. 1. del: Postavitev problema, najenostavnejše metode. Model ARIMA
-Tema 20. Analiza časovnih vrst. 2. del: Ekstrakcija funkcij in uporaba modelov strojnega učenja. Samodejno napovedovanje
-Tema 21. Analiza časovnih vrst 3. del: Časovne vrste združevanja v gruče (iskanje povezanih borznih tečajev)

Sistemi priporočil
-Tema 22. Priporočilni sistemi. 1. del: Postavitev problema, metrika kakovosti. Sodelovalno filtriranje. Hladni zagon
-Tema 23. Priporočilni sistemi. 2. del: Filtriranje vsebine, hibridni pristopi. Pravila združenja
-Tema 24. Priporočilni sistemi. 3. del: Implicitna povratna informacija
-Tema 25. Praktična lekcija o sistemih priporočil. Presenečenje
-Tema 26. Vprašanja in odgovori

Dodatne teme
-Tema 27. Usposabljanje Kaggle ML št. 1
-Tema 28. Usposabljanje Kaggle ML št. 2
-Tema 29.ML v Apache Spark
-Tema 30. Iskanje delovnih mest v znanosti o podatkih

Projektno delo
-Tema 31. Izbira teme in organizacija projektnega dela
-Tema 32. Posvetovanje o projektih in domačih nalogah
-Tema 33. Zaščita projektantskega dela

Tags cloud

Miscellanea

Ocena

Ogledov

Komentarji