Strojové učení. Profesionál - bezplatný kurz od Otus, školení 5 měsíců, Termín: 2. prosince 2023.

Různé / by admin / December 05, 2023

click fraud protection

Důsledně budete ovládat moderní nástroje pro analýzu dat a budete schopni vytvářet modely strojového učení na profesionální úrovni. Chcete-li upevnit své dovednosti s každým algoritmem, budete provádět celou řadu práce od přípravy datové sady po analýzu výsledků a přípravu na výrobu. Praxe a znalosti, které získáte, vám budou stačit k samostatnému řešení klasických ML problémů a ucházení se o pozice Junior+ a Middle Data Scientist.

Portfoliové projekty

Během kurzu dokončíte několik portfoliových projektů a naučíte se kompetentně prezentovat výsledky své práce, abyste mohli absolvovat pohovory. Pro svůj závěrečný projekt můžete použít jednu z možností navržených učitelem nebo realizovat svůj vlastní nápad.

Pro koho je tento kurz určen?

Pro začínající analytiky a datové vědce. Kurz vám pomůže systematizovat a prohloubit znalosti. Budete moci experimentovat s přístupy, analyzovat pracovní případy a získat vysoce kvalitní zpětnou vazbu od odborníků.

Pro vývojáře a specialisty v jiných oblastech, kteří chtějí změnit svou profesi a rozvíjet se v oblasti Data Science. Kurz vám dá příležitost vybudovat si silné portfolio a ponořit se do atmosféry reálných úkolů jako datový vědec.

instagram viewer

K učení budete potřebovat zkušenosti s Pythonem na úrovni psaní vlastních funkcí a také znalost matematické analýzy, lineární algebry, teorie pravděpodobnosti a matematiky. statistika.

Vlastnosti kurzu

Nejlepší postupy a trendy. Při každém spuštění je program aktualizován, aby odrážel rychle se měnící trendy v Data Science. Po zaškolení budete schopni okamžitě začít pracovat na skutečných projektech.

Důležité sekundární dovednosti. Kurz zahrnuje témata, která jsou obvykle přehlížena, ale jsou nezbytná pro specialistu na každodenní úkoly a jsou vysoce ceněna zaměstnavateli:
— budování systémů pro automatické vyhledávání anomálií;
— předpovídání časových řad pomocí strojového učení;
— end-to-end pipeline pro práci s daty, připravené k implementaci do výroby.

Kreativní atmosféra a podmínky blízké reálným pracovním procesům. Celý kurz je postaven jako simulátor každodenního pracovního života datového vědce, kde se budete muset vyrovnat „špinavá“ data, předem vypočítat své akce, experimentovat s řešeními a připravovat modely Výroba V tomto případě budete potřebovat zvědavost, vytrvalost a žízeň po nových zážitcích.

Maria Tichonova

chod

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

Dmitrij Sergejev

chod

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, pokročilé odborné školení 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

Pokročilé techniky strojového učení
-Téma 1. Úvodní hodina. Zopakujte si základní koncepty strojového učení na praktickém příkladu
-Téma 2.Rozhodovací stromy
- Téma 3. Python pro ML: potrubí, zrychlení pandy, multiprocessing
-Téma 4. Modelové soubory
-Téma 5. Zesilování gradientu
-Topic 6.Support vektorový stroj
-Téma 7.Metody redukce rozměrů
-Téma 8. Učení bez učitele. K-means, EM algoritmus
-Téma 9. Učení bez učitele. Hierarchické shlukování. DB-Scan
-Téma 10. Hledání anomálií v datech
-Téma 11. Praktická lekce - Konstrukce end-to-end pipeline a serializace modelů
-Téma 12.Algoritmy na grafech

Sběr dat. Analýza textových dat.
-Téma 13. Sběr dat
-Téma 14.Analýza textových dat. Část 1: Předzpracování a tokenizace
-Téma 15.Analýza textových dat. Část 2: Vektorové reprezentace slov, práce s předem natrénovanými vložkami
-Téma 16.Analýza textových dat. Část 3: Rozpoznání pojmenované entity
-Téma 17.Analýza textových dat. Část 4: Tématické modelování
-Téma 18. Otázky a odpovědi

Analýza časových řad
-Téma 19. Analýza časových řad. Část 1: Stanovení problému, nejjednodušší metody. Model ARIMA
-Téma 20. Analýza časových řad. Část 2: Extrakce rysů a aplikace modelů strojového učení. Automatická předpověď
-Téma 21. Analýza časových řad Část 3: Shlukování časových řad (hledání souvisejících kotací akcií)

Systémy doporučení
-Téma 22. Systémy doporučení. Část 1: Stanovení problému, metriky kvality. Kolaborativní filtrování. Studený start
-Téma 23. Systémy doporučení. Část 2: Filtrování obsahu, hybridní přístupy. Pravidla asociace
-Téma 24. Systémy doporučení. Část 3: Implicitní zpětná vazba
-Téma 25. Praktická lekce o doporučovacích systémech. Překvapení
-Téma 26. Otázky a odpovědi

Další témata
-Téma 27.Kaggle ML školení č.1
-Téma 28.Kaggle ML školení č.2
-Téma 29.ML v Apache Spark
-Téma 30.Hledání pracovních míst Data Science

Projektová práce
-Téma 31. Výběr tématu a organizace projektové práce
-Téma 32. Konzultace projektů a domácích úkolů
-Téma 33.Ochrana projekční práce

Štítky cloud

Různé

Hodnocení

Zobrazení

Komentáře