Strojno učenje. Osnovni tečaj 52 668 rub. iz Otusa, obuka 6 mjeseci, datum 27.02.2023.
Miscelanea / / November 30, 2023
Naučit ćete rješavati probleme iz stvarnih radnih procesa, koji se najčešće dodjeljuju stručnjacima početnicima u Data Science. Do kraja tečaja prikupit ćete portfolio radova, završiti pripremu za intervju i karijerno savjetovanje.
Tečaj će vam dati potrebnu osnovu:
Piton. Proći ćete kroz osnove programiranja i naučiti kako koristiti ovaj najrelevantniji jezik u zadacima strojnog učenja.
Matematika. Savladajte ključne dijelove za razumijevanje teorijskih temelja i principa algoritama.
Klasični modeli strojnog učenja. Prikupite svoje skupove podataka i dovršite cijeli niz radova sa svojim prvim modelima.
Kreativna atmosfera:
Tijekom treninga bit ćete uronjeni u uvjete bliske stvarnim radnim procesima. Morat ćete se nositi s prljavim podacima, razmišljati unaprijed, eksperimentirati s rješenjima i pripremati modele za proizvodnju.
Okruženje u učionici potiče učenike da budu znatiželjni, aktivno raspravljaju i ne boje se pogriješiti.
Osobni mentor:
Online sastanci od 40 minuta svaki tjedan;
Na početku izobrazbe dobivate mentora. Kao i učitelji, mentori su stručnjaci koji rade u znanosti o podacima;
Jednom tjedno napravite zadaću, objavite je na GitHubu i dogovorite poziv s mentorom;
Mentor se unaprijed upoznaje s vašim kodeksom, tako da do sastanka već zna na što treba obratiti pozornost. Također možete pripremiti pitanja;
Tijekom predavanja mentor će komentirati vašu odluku. Ako je potrebno, možete odmah otići u razvojno okruženje, napraviti izmjene u kodu i odmah vidjeti rezultat.
Nakon obuke moći ćete:
Prijavite se za pozicije koje zahtijevaju juniorske kompetencije
Riješite stvarne poslovne probleme pomoću metoda strojnog učenja
Radite s Python bibliotekama za strojno učenje
Suočavanje s nestandardnim situacijama kroz duboko teoretsko razumijevanje načina rada algoritama i modela
Krećite se kroz različita područja Data Science i odaberite alate prikladne za zadatak.
3
tečajRadi kao analitičar podataka u AGI NLP timu Sberbanke. Radi na modelima jezika neuronskih mreža i njihovoj primjeni u stvarnim problemima. Vjeruje da rad u području Data Science pruža jedinstvenu...
Radi kao analitičar podataka u AGI NLP timu Sberbanke. Radi na modelima jezika neuronskih mreža i njihovoj primjeni u stvarnim problemima. On vjeruje da rad u području Data Science pruža jedinstvenu priliku za raditi lude cool stvari na rubu znanosti koje mijenjaju svijet ovdje i sada. Predaje predmete Analiza podataka, strojno učenje i podatkovna znanost na Visokoj ekonomskoj školi. Maria je diplomirala na Fakultetu mehanike i matematike Moskovskog državnog sveučilišta i Yandex School of Data Analysis. Marija je trenutno apsolventica na Višoj ekonomskoj školi Fakulteta računarstva. Njezini istraživački interesi uključuju područja znanosti o podacima kao što su obrada prirodnog jezika i modeliranje teme. Programski menadžer
3
tečajBavi se strojnim učenjem i analizom podataka od 2012. Trenutno radi kao voditelj istraživanja i razvoja u tvrtki WeatherWell. Ima iskustva u praktičnoj primjeni strojnog učenja u razvoju igara, bankarstvu i...
Bavi se strojnim učenjem i analizom podataka od 2012. Trenutno radi kao voditelj istraživanja i razvoja u tvrtki WeatherWell. Ima iskustvo u praktičnoj primjeni strojnog učenja u razvoju igara, bankarstvu i zdravstvenoj tehnici. Predavao je strojno učenje i analizu podataka u Centru za matematičke financije Moskovskog državnog sveučilišta, a bio je i gostujući predavač na Fakultetu računalnih znanosti Nacionalnog istraživačkog sveučilišta Higher School of Economics i raznim ljetnim školama. Obrazovanje: Ekonomsko-matematički REU im. Plekhanov, Središnji fakultet matematike i matematike Moskovskog državnog sveučilišta, napredno stručno usavršavanje Fakulteta računalnih znanosti Visoke škole ekonomije "Praktična analiza podataka i strojno učenje", mr.sc. računalnih znanosti Aalto Sveučilišni skup/interesi: Python, strojno učenje, vremenske serije, otkrivanje anomalija, otvoreni podaci, ML za društvene mreže dobro
Uvod u Python
-Tema 1.Upoznavanje
-Tema 2. Postavljanje radnog okruženja
-Tema 3.Osnovni tipovi i strukture podataka. Kontrola protoka
-Tema 4. Rad s funkcijama i podacima
-Tema 5.Git, shell
Uvod u Python. OOP, moduli, baze podataka
-Tema 6. Osnove OOP-a
-Tema 7. Napredni OOP, iznimke
-Tema 8. Napredni OOP, nastavak
-Tema 9.Moduli i uvozi
-Tema 10.Testovi
-Tema 11.Uvod u ugrađene module
-Tema 12. Datoteke i mreža
Osnove Pythona za ML
-Tema 13. NumPy osnove
-Tema 14. Pandas Basics
-Tema 15. Vizualizacija podataka
Teorijski minimum za ML: matematika, linearna, statistika
-Tema 16. Matrice. Osnovni pojmovi i operacije
-Tema 17.Vježbajte. Matrice
-Tema 18. Diferencijacija i optimizacija funkcija
-Tema 19.Vježbajte. Diferencijacija i optimizacija funkcija
-Tema 20. Algoritmi i računalna složenost
-Tema 21.MNC i MSE
-Tema 22.Vježbajte. MNP i MSE
-Tema 23. Slučajne varijable i njihovo modeliranje
-Tema 24.Vježbajte. Slučajne varijable i njihovo modeliranje
-Tema 25. Proučavanje ovisnosti: nazivne, redne i kvantitativne veličine
-Tema 26.Vježbajte. Proučavanje ovisnosti: nazivne, redne i kvantitativne veličine
-Tema 27.AB testiranje
Osnovne metode strojnog učenja
-Tema 28. Uvod u strojno učenje
-Tema 29. Istraživačka analiza podataka i pretprocesiranje
-Tema 30. Problem klasifikacije. Metoda najbližih susjeda
-Tema 31. Problem regresije. Linearna regresija
-Tema 32.Logistička regresija
-Tema 33. Stabla odlučivanja
-Tema 34. Inženjering značajki i napredna predobrada
-Tema 35. Praktična lekcija - rješavanje Kagglea koristeći sve što smo naučili
Projektni rad
-Tema 36. Izbor teme i organizacija rada na projektu
-Tema 37. Projektne konzultacije
-Tema 38. Zaštita projekta