Strojno učenje. Profesionalni - besplatni tečaj iz Otusa, obuka 5 mjeseci, Datum: 02.12.2023.

Miscelanea / by admin / December 05, 2023

click fraud protection

Dosljedno ćete svladavati suvremene alate za analizu podataka i moći ćete kreirati modele strojnog učenja na profesionalnoj razini. Kako biste konsolidirali svoje vještine sa svakim algoritmom, odradit ćete cijeli niz poslova od pripreme skupa podataka do analize rezultata i pripreme za proizvodnju. Praksa i znanje koje ćete dobiti bit će dovoljni za samostalno rješavanje klasičnih ML problema i prijavu na Junior+ i Middle Data Scientist pozicije.

Projekti portfelja

Tijekom tečaja odradit ćete nekoliko portfolio projekata i naučiti kako kompetentno prezentirati rezultate svog rada kako biste prošli intervjue. Za završni rad možete odabrati jednu od opcija koje je predložio nastavnik ili implementirati vlastitu ideju.

Za koga je ovaj tečaj?

Za analitičare početnike i znanstvenike podataka. Tečaj će vam pomoći da sistematizirate i produbite svoje znanje. Moći ćete eksperimentirati s pristupima, analizirati radne slučajeve i dobiti visokokvalitetne povratne informacije od stručnjaka.

Za programere i stručnjake iz drugih područja koji žele promijeniti svoju profesiju i razvijati se u području Data Science. Tečaj će vam pružiti priliku da izgradite snažan portfelj i uronite u atmosferu stvarnih zadataka kao podatkovni znanstvenik.

instagram viewer

Za učenje će vam trebati iskustvo u Pythonu na razini pisanja vlastitih funkcija, kao i poznavanje matematičke analize, linearne algebre, teorije vjerojatnosti i matematike. statistika.

Značajke tečaja

Najbolji primjeri iz prakse i trendovi. Svakim lansiranjem program se ažurira kako bi odražavao brze promjene trendova u znanosti o podacima. Nakon obuke moći ćete odmah početi raditi na stvarnim projektima.

Važne sekundarne vještine. Tečaj uključuje teme koje se obično zanemaruju, ali su neophodne stručnjaku u svakodnevnim zadacima i visoko cijenjene od strane poslodavaca:
— izgradnja sustava za automatsko traženje anomalija;
— predviđanje vremenskih serija pomoću strojnog učenja;
— end-to-end cjevovodi za rad s podacima, spremni za implementaciju u proizvodnji.

Kreativna atmosfera i uvjeti bliski stvarnim procesima rada. Cijeli tečaj izgrađen je kao simulator svakodnevnog radnog života podatkovnog znanstvenika, gdje ćete se morati nositi s “prljavih” podataka, unaprijed izračunajte svoje radnje, eksperimentirajte s rješenjima i pripremite modele proizvodnja U ovom slučaju trebat će vam znatiželja, upornost i žeđ za novim iskustvima.

Marija Tihonova

tečaj

Radi 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

Dmitrij Sergejev

tečaj

Bavi 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

Napredne tehnike strojnog učenja
-Tema 1. Uvodni sat. Ponovite osnovne koncepte strojnog učenja s praktičnim primjerom
-Tema 2. Stabla odlučivanja
-Tema 3. Python za ML: cjevovodi, pandas akceleracija, multiprocesiranje
-Tema 4.Modelni ansambli
-Tema 5.Pojačavanje gradijenta
-Tema 6. Nosivi vektorski stroj
-Tema 7. Metode redukcije dimenzionalnosti
-Tema 8. Učenje bez učitelja. K-srednje vrijednosti, EM algoritam
-Tema 9. Učenje bez učitelja. Hijerarhijsko grupiranje. DB-Skeniranje
-Tema 10. Pronalaženje anomalija u podacima
-Tema 11. Praktična nastava - Konstrukcija end-to-end cjevovoda i serijalizacija modela
-Tema 12.Algoritmi na grafovima

Prikupljanje podataka. Analiza tekstualnih podataka.
-Tema 13. Prikupljanje podataka
-Tema 14. Analiza tekstualnih podataka. Dio 1: Predprocesiranje i tokenizacija
-Tema 15. Analiza tekstualnih podataka. Dio 2: Vektorski prikazi riječi, rad s unaprijed obučenim umetanjima
-Tema 16. Analiza tekstualnih podataka. Dio 3: Prepoznavanje imenovanog entiteta
-Tema 17. Analiza tekstualnih podataka. Dio 4: Modeliranje teme
-Tema 18. Pitanja i odgovori

Analiza vremenskih serija
-Tema 19. Analiza vremenskih serija. 1. dio: Postavka problema, najjednostavnije metode. ARIMA model
-Tema 20. Analiza vremenskih serija. Dio 2: Ekstrakcija značajki i primjena modela strojnog učenja. Automatsko predviđanje
-Tema 21. Analiza vremenske serije Dio 3: Klasteriranje vremenske serije (traženje povezanih kotacija dionica)

Preporučni sustavi
-Tema 22. Preporučni sustavi. Dio 1: Prikaz problema, metrika kvalitete. Kolaborativno filtriranje. Hladni start
-Tema 23. Preporučni sustavi. 2. dio: Filtriranje sadržaja, hibridni pristupi. Pravila udruge
-Tema 24. Preporučni sustavi. Dio 3: Implicitna povratna informacija
-Tema 25. Praktična nastava o sustavima preporuka. Iznenađenje
-Tema 26. Pitanja i odgovori

Dodatne teme
-Tema 27.Kaggle ML trening br.1
-Tema 28.Kaggle ML trening br.2
-Tema 29.ML u Apache Sparku
-Tema 30. Traženje poslova u znanosti o podacima

Projektni rad
-Tema 31. Odabir teme i organizacija rada na projektu
-Tema 32. Konzultacije na projektima i domaćim zadaćama
-Tema 33.Zaštita projektantskog rada

Tagovi oblak

Miscelanea

Ocjena

Posjeta

Komentari