Strojové učení. Základní - kurz 52 668 rub. od Otus, školení 6 měsíců, termín 27.2.2023.
Různé / / November 30, 2023
Naučíte se řešit problémy z reálných pracovních procesů, které jsou nejčastěji zadány začínajícím specialistům v Data Science. Na konci kurzu budete mít shromážděné portfolio práce, dokončenou přípravu na pohovor a kariérní poradenství.
Kurz vám poskytne potřebné základy:
Krajta. Projdete si základy programování a naučíte se používat tento nejrelevantnější jazyk v úlohách strojového učení.
Matematika. Zvládněte klíčové sekce pro pochopení teoretických základů a principů algoritmů.
Klasické modely strojového učení. Shromážděte své datové sady a dokončete celou řadu prací se svými prvními modely.
Kreativní atmosféra:
Během školení budete ponořeni do podmínek blízkých reálným pracovním procesům. Budete se muset vypořádat se špinavými daty, přemýšlet dopředu, experimentovat s řešeními a připravovat modely pro výrobu.
Prostředí třídy povzbuzuje studenty, aby byli zvědaví, aktivně diskutovali a nebáli se dělat chyby.
Osobní mentor:
Online sezení po dobu 40 minut každý týden;
Na začátku vašeho tréninku je vám přidělen mentor. Stejně jako učitelé jsou i mentoři experti pracující v Data Science;
Jednou týdně uděláte svůj domácí úkol, zveřejníte ho na GitHubu a domluvíte si hovor se svým mentorem;
Mentor se s vaším kodexem seznámí předem, takže v době schůzky už ví, na co si dát pozor. Můžete si také připravit otázky;
Během sezení se mentor vyjádří k vašemu rozhodnutí. V případě potřeby můžete okamžitě přejít do vývojového prostředí, provést změny v kódu a okamžitě vidět výsledek.
Po školení budete schopni:
Přihlaste se na pozice, které vyžadují juniorské kompetence
Řešte skutečné obchodní problémy pomocí metod strojového učení
Práce s knihovnami Pythonu pro strojové učení
Zvládání nestandardních situací prostřednictvím hlubokého teoretického porozumění tomu, jak fungují algoritmy a modely
Navigujte v různých oblastech Data Science a vyberte nástroje vhodné pro daný úkol.
3
chodPracuje jako datový analytik v týmu AGI NLP ve Sberbank. Práce na jazykových modelech neuronových sítí a jejich aplikaci v reálných problémech. Věří, že práce v oblasti Data Science poskytuje jedinečnou...
Pracuje jako datový analytik v týmu AGI NLP ve Sberbank. Práce na jazykových modelech neuronových sítí a jejich aplikaci v reálných problémech. Věří, že práce v oblasti Data Science poskytuje jedinečnou příležitost dělat bláznivé skvělé věci na okraji vědy, které mění svět tady a teď. Vyučuje předměty analýzy dat, strojového učení a datové vědy na Vyšší ekonomické škole. Maria vystudovala Fakultu mechaniky a matematiky Moskevské státní univerzity a Yandex School of Data Analysis. Maria je v současné době postgraduální studentkou Vysoké školy ekonomické na Fakultě informatiky. Mezi její výzkumné zájmy patří oblasti datové vědy, jako je zpracování přirozeného jazyka a tématické modelování. Programový manažer
3
chodCvičení strojového učení a analýzy dat od roku 2012. V současné době pracuje jako vedoucí výzkumu a vývoje ve společnosti WeatherWell. Má zkušenosti s praktickou aplikací strojového učení při vývoji her, bankovnictví a...
Cvičení strojového učení a analýzy dat od roku 2012. V současné době pracuje jako vedoucí výzkumu a vývoje ve společnosti WeatherWell. Má zkušenosti s praktickou aplikací strojového učení ve vývoji her, bankovnictví a Health Tech. Vyučoval strojové učení a analýzu dat v Centru pro matematické finance Moskevské státní univerzity a byl hostujícím lektorem na Fakultě informatiky Vysoké ekonomické školy Národní výzkumné univerzity a na různých letních školách. Vzdělání: Ekonomie-matematika REU im. Plechanov, Ústřední fakulta matematiky a matematiky Moskevské státní univerzity, pokročilý odborný výcvik Fakulty informatiky Vysoké školy ekonomické „Praktická analýza dat a strojové učení“, MSc Computer Science Aalto Univerzitní zásobník/zájmy: Python, strojové učení, časové řady, detekce anomálií, otevřená data, ML pro sociální sítě dobrý
Úvod do Pythonu
-Téma 1.Seznamování
-Téma 2. Nastavení pracovního prostředí
-Téma 3.Základní typy a datové struktury. Řízení toku
-Téma 4.Práce s funkcemi a daty
-Téma 5.Git, shell
Úvod do Pythonu. OOP, moduly, databáze
-Téma 6. Základy OOP
-Téma 7. Pokročilé OOP, výjimky
-Téma 8.Pokročilé OOP, pokračování
-Téma 9.Moduly a importy
-Téma 10.Testy
-Téma 11.Úvod do vestavěných modulů
-Téma 12. Soubory a síť
Základy jazyka Python pro ML
-Téma 13. Základy NumPy
-Téma 14. Základy pandy
-Téma 15. Vizualizace dat
Teoretické minimum pro ML: matematika, lineární, statistika
-Téma 16.Matice. Základní pojmy a operace
-Téma 17.Procvičování. Matrice
-Téma 18. Diferenciace a optimalizace funkcí
-Téma 19.Procvičování. Diferenciace a optimalizace funkcí
-Téma 20. Algoritmy a výpočetní složitost
-Téma 21.MNC a MSE
-Téma 22.Procvičování. MNE a MSE
-Téma 23. Náhodné veličiny a jejich modelování
-Téma 24.Procvičování. Náhodné veličiny a jejich modelování
-Téma 25. Studium závislostí: nominální, ordinální a kvantitativní veličiny
-Téma 26.Procvičování. Studium závislostí: nominální, ordinální a kvantitativní veličiny
-Téma 27.AB testování
Základní metody strojového učení
-Téma 28.Úvod do strojového učení
-Téma 29. Průzkumná analýza dat a předzpracování
-Téma 30. Klasifikační problém. Metoda nejbližších sousedů
-Téma 31.Regresní problém. Lineární regrese
-Téma 32.Logistická regrese
-Téma 33. Rozhodovací stromy
-Topic 34.Feature engineering & pokročilé předzpracování
-Téma 35. Praktická lekce - řešení Kaggle s využitím všeho, co jsme se naučili
Projektová práce
-Téma 36. Výběr tématu a organizace projektové práce
-Téma 37. Konzultace projektu
-Téma 38.Ochrana projektu