Strojové učení. Pokročilí - kurz zdarma od Otus, školení 5 měsíců, Termín: 4. prosince 2023.

Různé / by admin / December 08, 2023

click fraud protection

Osvojíte si pokročilé techniky strojového učení, které vám umožní cítit se jistě ve vedoucích pozicích Middle/Senior a poradit si i s nestandardními úkoly.

Rozšíříte si škálu dostupných nástrojů pro práci. Navíc i pro témata jako Bayesovské metody a posilovací učení, která jsou obvykle vyučována výhradně formou teorie, jsme z našich praxí vybrali skutečné pracovní případy.

Samostatný modul je věnován práci ve výrobě: nastavení prostředí, optimalizace kódu, budování end-to-end pipeline a implementace řešení.

Všestranné zadání projektu
Během kurzu dokončíte několik praktických úkolů, abyste si upevnili své dovednosti v probíraných tématech. Každý úkol je praktickým projektem analýzy dat, který řeší konkrétní aplikaci strojového učení.

Pro koho je tento kurz určen?
Pro analytiky, programátory a datové vědce praktikující strojové učení. Kurz vám pomůže rozšířit vaše schopnosti a posunout se dále na vaší profesní cestě.

Po absolvování kurzu budete schopni:
Nastavte prostředí a napište produkční kód připravený k implementaci

instagram viewer

Pracujte s přístupy AutoML a pochopte omezení jejich použití
Pochopit a umět aplikovat Bayesovské metody a posilovací učení na relevantní problémy
Řešit nestandardní problémy vznikající v doporučovacích systémech, časových řadách a grafech

Ve škole jsem začínal s páječkou v rukou. Pak tu bylo ZX Spectrum. Šel jsem na univerzitu do oboru strojírenství. V mechanice je spousta zajímavých věcí, ale v roce 2008 převzal zájem o IT: počítačové sítě -> Delphi -> PHP -> Python. Proběhly experimenty s jinými jazyky, ale já chci psát v tomto jazyce. Podílel se na projektech automatizace obchodních procesů pomocí neuronových sítí (služba objednávání taxi Maxim) a vývoje informačních systémů v medicíně. Práce se systémy GIS a zpracováním obrazu pomocí Pythonu. Ve vyučování je pozice: „Pokud někdo nedokáže vysvětlit něco složitého jednoduchými slovy, znamená to, že v tom ještě není příliš dobrý. rozumí.“ Vzdělání: Univerzita Kurgan, Katedra bezpečnosti informačních a automatizovaných systémů, Ph.D. Absolvoval v roce 2002 Kurgan State University s titulem „Víceúčelová pásová a kolová vozidla.“ V roce 2005 obhájil disertační práci na téma plynule měnitelné převodovky. Od té doby je oficiálně zaměstnán na univerzitě (KSU). Učitel

Pracuje jako datový analytik v hedgeovém fondu Meson Capital. Zabývá se konstrukcí různých modelů, které předpovídají chování na akciovém trhu. Předtím jsem strávil více než 9 let řešením obchodních problémů založených na strojovém...

Pracuje jako datový analytik v hedgeovém fondu Meson Capital. Zabývá se konstrukcí různých modelů, které předpovídají chování na akciovém trhu. Předtím strávil více než 9 let řešením obchodních problémů založených na strojovém učení ve společnostech jako Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, vytváření modelů počítačového vidění, zpracování přirozeného jazyka a času řádky. Je hostujícím lektorem na MIPT, kde vyučuje svůj vlastní kurz „Praktické ML.“ Valentin dokončil magisterské studium na MIPT. Mezi jeho zájmy patří implementace a budování infrastruktury pro datově řízená řešení. Učitel

Zkušený vývojář, vědec a expert na strojové/hluboké učení se zkušenostmi s doporučovacími systémy. Má více než 30 vědeckých publikací v ruštině a cizích jazycích, obhájil doktorskou práci na téma analýzy a...

Zkušený vývojář, vědec a expert na strojové/hluboké učení se zkušenostmi s doporučovacími systémy. Má více než 30 vědeckých publikací v ruštině a cizích jazycích a obhájil doktorskou práci o analýze a prognózování časových řad. Vystudoval Fakultu informatiky na Moskevském energetickém institutu Národní výzkumné univerzity, kde v roce 2008. získal bakalářský titul, magisterský titul v roce 2010 a kandidát technických věd v roce 2014. Ještě před zahájením práce na jeho disertační práci jsem se začal zajímat o analýzu dat a při realizaci svého prvního významného projektu jsem se z řadového programátora stal vedoucím vývojového oddělení. Asi 10 let vyučoval příbuzné obory na Národní výzkumné univerzitě v Moskevském energetickém institutu, kde byl docentem katedry. Vede týmy Data Science vyvíjející projekty v oblasti NLP, RecSys, Time Series a Computer Vision Teacher

Pokročilé strojové učení. AutoML
-Téma 1.Produkční kód projektu na příkladu klasifikačního/regresního problému, Virtuální prostředí, správa závislostí, pypi/gemfury
-Téma 2. Praktická lekce - Optimalizace kódu, paralelizace, multiprocesing, akcelerace pandas, Modin for Pandas
-Téma 3. Pokročilé předzpracování dat. Kategorická kódování
-Topic 4.Featuretools - vymyslíte pro mě funkce?
-Téma 5.H2O a TPOT - budeš mi stavět modely?

Výroba
-Téma 6. Praktická lekce - Konstrukce end-to-end pipeline a serializace modelů
-Téma 7. Architektura REST: Flask API
-Téma 8.Docker: Struktura, aplikace, nasazení
-Téma 9.Kubernetes, orchestrace kontejnerů
-Téma 10. Praktická lekce o práci ve výrobě: nasazení Dockeru do AWS

Časové řady
-Téma 11. Extrakce rysů. Fourierova a Waveletova transformace, automatické generování prvků - tsfresh
-Téma 12.Neřízené přístupy: Shlukování časových řad
-Téma 13. Neřízené přístupy: Segmentace časových řad

Systémy doporučení. Úkol na hodnocení
-Téma 14. Systémy doporučení 1. Explicitní zpětná vazba
-Téma 15. Systémy doporučení 2. Implicitní zpětná vazba
-Téma 16. Úkol hodnocení - Naučit se zařazovat
-Téma 17. Praktická lekce o doporučovacích systémech. Překvapení!
-Téma 18. Otázky a odpovědi

Grafy
-Téma 19. Úvod do grafů: základní pojmy. NetworkX, Stellar
-Téma 20. Analýza a interpretace grafů. Detekce komunity
-Téma 21. Predikce spojení a klasifikace uzlů
-Téma 22. Praktická lekce: Hateři na Twitteru

Bayesian Learning, PyMC
-Téma 23.Úvod do pravděpodobnostního modelování, aposteriorní odhady, vzorkování
-Téma 24.Markovův řetězec Monte-Carlo (MCMC), Metropolis–Hastings
-Téma 25. Bayesovské AB testování
-Téma 26.Zobecněný lineární model (GLM) - Bayesovské regrese, odvození posteriorních odhadů koeficientů
-Téma 27. Praktická lekce o GLM
-Téma 28. Bayesovská síť důvěry: praktické cvičení
-Téma 29. Praktická lekce o logitové regresi

Posílení učení
-Téma 30.Úvod do posilovacího učení
-Téma 31.Mnohorucí bandité pro optimalizaci testování AB, od teorie - přímo do bitvy
-Téma 32. Praktická lekce: Mnohorucí bandité v elektronickém obchodování: optimalizace vyhledávání
-Téma 33.Markovův rozhodovací proces, Hodnotová funkce, Bellmanova rovnice
-Téma 34. Iterace hodnoty, Iterace politiky
-Téma 35. Praktická hodina: lékařský případ Markovův řetěz Monte Carlo
-Téma 36. Časový rozdíl (TD) a Q-learning
-Téma 37.SARSA a praktická lekce: Finanční případ TD a Q-learning
-Téma 38. Otázky a odpovědi

Projektová práce
-Téma 39. Konzultace k projektu, výběr tématu
-Téma 40.Bonus: Hledání pracovních míst v oblasti datové vědy
-Téma 41.Ochrana projekční práce

Strojové učení v praxi

Úvodní praktický kurz strojového učení. Zvažuje se celý cyklus budování řešení: od výběru počátečních dat (soubor .xlsx) až po vytvoření modelu a vysvětlení vlastností dat a specifik přijímaných dat koncovému zákazníkovi výsledek. Teoretické části - klasifikace, regrese, predikce, soubory - jsou uvedeny v přehledovém režimu v rozsahu nezbytném pro správnou konstrukci a pochopení analyzovaných příkladů.

41 500 ₽

Více informací Na web kurzu

24 hodin

Štítky cloud

Různé

Hodnocení

Zobrazení

Komentáře