Învățare automată. De bază - curs 52.668 rub. din Otus, antrenament 6 luni, data 27 februarie 2023.
Miscelaneu / / November 30, 2023
Veți învăța să rezolvați problemele din procesele de lucru reale, care sunt cel mai adesea atribuite specialiștilor începători în Data Science. Până la sfârșitul cursului, veți fi adunat un portofoliu de muncă, ați finalizat pregătirea pentru interviu și consiliere în carieră.
Cursul vă va oferi baza necesară:
Piton. Veți parcurge elementele de bază ale programării și veți învăța cum să utilizați acest limbaj cel mai relevant în sarcinile de învățare automată.
Matematică. Master secțiuni cheie pentru a înțelege fundamentele teoretice și principiile algoritmilor.
Modele clasice de învățare automată. Colectați-vă seturile de date și finalizați un canal complet de lucru cu primele modele.
Atmosfera creativă:
În timpul antrenamentului, vei fi cufundat în condiții apropiate de procesele reale de muncă. Va trebui să vă ocupați de date murdare, să gândiți înainte, să experimentați cu soluții și să pregătiți modele pentru producție.
Mediul de clasă încurajează elevii să fie curioși, să discute activ și să nu se teamă să greșească.
Mentor personal:
Sesiuni online de 40 de minute în fiecare săptămână;
La începutul antrenamentului, vi se atribuie un mentor. La fel ca profesorii, mentorii sunt experți care lucrează în Data Science;
O dată pe săptămână, îți faci temele, postezi pe GitHub și aranjezi un apel cu mentorul tău;
Mentorul se familiarizează cu codul dvs. în avans, așa că până la momentul întâlnirii știe deja la ce să acorde atenție. De asemenea, puteți pregăti întrebări;
În timpul sesiunii, mentorul va comenta decizia dumneavoastră. Dacă este necesar, puteți accesa imediat mediul de dezvoltare, puteți face modificări codului și puteți vedea imediat rezultatul.
După antrenament vei fi capabil să:
Aplicați pentru posturi care necesită competențe juniori
Rezolvați probleme reale de afaceri folosind metode de învățare automată
Lucrați cu biblioteci Python pentru Machine Learning
Faceți față situațiilor non-standard printr-o înțelegere teoretică profundă a modului în care funcționează algoritmii și modelele
Navigați în diverse domenii ale științei datelor și selectați instrumente potrivite pentru sarcină.
3
cursLucrează ca analist de date în echipa AGI NLP din Sberbank. Lucrează pe modele de limbaj de rețele neuronale și aplicarea acestora în probleme din viața reală. Consideră că munca în domeniul științei datelor oferă o unică...
Lucrează ca analist de date în echipa AGI NLP din Sberbank. Lucrează pe modele de limbaj de rețele neuronale și aplicarea acestora în probleme din viața reală. El crede că lucrul în domeniul științei datelor oferă o oportunitate unică de a face lucruri nebunești interesante la marginea științei, care schimbă lumea aici și acum. Predă discipline în analiza datelor, învățarea automată și știința datelor la Școala Superioară de Economie. Maria a absolvit Facultatea de Mecanică și Matematică a Universității de Stat din Moscova și Școala Yandex de Analiză a Datelor. Maria este în prezent studentă absolventă la Școala Superioară de Științe Economice din cadrul Facultății de Informatică. Interesele ei de cercetare includ domenii ale științei datelor, cum ar fi procesarea limbajului natural și modelarea subiectelor. Manager de program
3
cursPracticând învățarea automată și analiza datelor din 2012. În prezent lucrează ca șef de cercetare și dezvoltare la WeatherWell. Are experiență în aplicarea practică a învățării automate în dezvoltarea jocurilor, activități bancare și...
Practicând învățarea automată și analiza datelor din 2012. În prezent lucrează ca șef de cercetare și dezvoltare la WeatherWell. Are experiență în aplicarea practică a învățării automate în dezvoltarea jocurilor, banking și Health Tech. A predat învățarea automată și analiza datelor la Centrul pentru Finanțe Matematice al Universității de Stat din Moscova și a fost lector invitat la Facultatea de Informatică a Școlii Superioare de Economie a Universității Naționale de Cercetare și la diferite școli de vară. Studii: Economie-matematică REU im. Plekhanov, Facultatea Centrală de Matematică și Matematică a Universității de Stat din Moscova, pregătire profesională avansată a Facultății de Informatică a Școlii Superioare de Economie „Analiză practică a datelor și învățare automată”, MSc Computer Science Aalto Stack/Interese universitare: Python, Machine Learning, Time Series, Detectare anomalii, Open Data, ML pentru social bun
Introducere în Python
-Tema 1. Cunoașterea
-Tema 2. Crearea mediului de lucru
-Tema 3. Tipuri de bază și structuri de date. Controlul debitului
-Tema 4. Lucrul cu funcții și date
-Tema 5.Git, shell
Introducere în Python. OOP, module, baze de date
-Tema 6. Fundamentele POO
-Tema 7.OOP avansat, excepții
-Subiectul 8.OOP avansat, continuare
-Tema 9.Module si importuri
-Tema 10.Teste
-Tema 11.Introducere în modulele încorporate
-Tema 12. Fișiere și rețea
Noțiuni de bază Python pentru ML
-Subiectul 13. Bazele NumPy
-Tema 14. Bazele panda
-Tema 15.Vizualizarea datelor
Minimum teoretic pentru ML: matematică, liniară, statistică
-Tema 16.Matrici. Concepte și operații de bază
-Tema 17.Practica. Matrici
-Tema 18. Diferențierea și optimizarea funcțiilor
-Tema 19.Practica. Diferențierea și optimizarea funcțiilor
-Tema 20. Algoritmi si complexitate computationala
-Tema 21.MNC și MSE
-Tema 22.Practica. MNE-urile și IMM-urile
-Tema 23. Variabile aleatoare și modelarea acestora
-Tema 24.Practica. Variabile aleatoare și modelarea lor
-Tema 25. Studiul dependenţelor: mărimi nominale, ordinale şi cantitative
-Tema 26.Practica. Studiul dependențelor: mărimi nominale, ordinale și cantitative
-Tema 27.Testarea AB
Metode de bază de învățare automată
-Tema 28.Introducere în învățarea automată
-Tema 29.Analiza exploratorie a datelor și preprocesare
-Tema 30. Problema de clasificare. Metoda celor mai apropiati vecini
-Tema 31.Problema de regresie. Regresie liniara
-Tema 32.Regresia logistica
-Tema 33.Arborele de decizie
-Subiect 34.Inginerie de caracteristici și preprocesare avansată
-Tema 35. Lecție practică - rezolvarea lui Kaggle folosind tot ce am învățat
Lucru de proiect
-Tema 36. Selectarea temei și organizarea lucrărilor la proiect
-Tema 37. Consultarea proiectelor
-Tema 38.Protecția proiectului