Nauczanie maszynowe. Podstawowy - kurs 52 668 rub. z Otusa, staż 6 miesięcy, data 27.02.2023.
Miscellanea / / November 30, 2023
Nauczysz się rozwiązywać problemy z rzeczywistych procesów pracy, które najczęściej przydzielane są początkującym specjalistom w dziedzinie Data Science. Pod koniec kursu będziesz mieć portfolio prac, ukończone przygotowanie do rozmowy kwalifikacyjnej i doradztwo zawodowe.
Kurs zapewni Ci niezbędne podstawy:
Pyton. Przejdziesz przez podstawy programowania i nauczysz się używać tego najodpowiedniejszego języka w zadaniach Machine Learning.
Matematyka. Opanuj kluczowe sekcje, aby zrozumieć podstawy teoretyczne i zasady algorytmów.
Klasyczne modele uczenia maszynowego. Zbierz swoje zestawy danych i wykonaj pełny cykl pracy z pierwszymi modelami.
Twórcza atmosfera:
Podczas szkolenia zanurzysz się w warunkach zbliżonych do rzeczywistych procesów pracy. Będziesz musiał sobie poradzić z brudnymi danymi, myśleć przyszłościowo, eksperymentować z rozwiązaniami i przygotowywać modele do produkcji.
Środowisko w klasie zachęca uczniów do ciekawości, aktywnego dyskutowania i nie bania się popełniania błędów.
Osobisty mentor:
Sesje online po 40 minut raz w tygodniu;
Na początku szkolenia przydzielany jest Ci mentor. Podobnie jak nauczyciele, mentorzy są ekspertami pracującymi w dziedzinie nauki o danych;
Raz w tygodniu odrabiasz pracę domową, publikujesz ją na GitHubie i umawiasz się na rozmowę ze swoim mentorem;
Mentor zapoznaje się z Twoim kodem z wyprzedzeniem, więc już w czasie spotkania wie, na co zwrócić uwagę. Możesz także przygotować pytania;
Podczas sesji mentor skomentuje Twoją decyzję. W razie potrzeby możesz od razu przejść do środowiska programistycznego, wprowadzić zmiany w kodzie i od razu zobaczyć wynik.
Po szkoleniu będziesz potrafił:
Aplikuj na stanowiska wymagające kompetencji juniorskich
Rozwiązuj realne problemy biznesowe, korzystając z metod uczenia maszynowego
Pracuj z bibliotekami języka Python na potrzeby uczenia maszynowego
Radzenie sobie z niestandardowymi sytuacjami poprzez głębokie teoretyczne zrozumienie działania algorytmów i modeli
Poruszaj się po różnych obszarach Data Science i wybieraj narzędzia odpowiednie do zadania.
3
kursPracuje jako analityk danych w zespole AGI NLP w Sbierbanku. Pracuje nad modelami języka sieci neuronowych i ich zastosowaniem w rzeczywistych problemach. Wierzy, że praca w obszarze Data Science zapewnia wyjątkową...
Pracuje jako analityk danych w zespole AGI NLP w Sbierbanku. Pracuje nad modelami języka sieci neuronowych i ich zastosowaniem w rzeczywistych problemach. Wierzy, że praca w obszarze Data Science daje wyjątkową okazję do robienia szalonych, fajnych rzeczy na pograniczu nauki, które zmieniają świat tu i teraz. Wykłada przedmioty z zakresu analizy danych, uczenia maszynowego i data science w Wyższej Szkole Ekonomicznej. Maria jest absolwentką Wydziału Mechaniki i Matematyki Uniwersytetu Moskiewskiego oraz Szkoły Analizy Danych Yandex. Maria jest obecnie studentką studiów magisterskich w Wyższej Szkole Ekonomicznej na Wydziale Informatyki. Jej zainteresowania badawcze obejmują obszary analityki danych, takie jak przetwarzanie języka naturalnego i modelowanie tematów. Kierownik programu
3
kursOd 2012 roku zajmuję się uczeniem maszynowym i analizą danych. Obecnie pracuje jako szef działu badań i rozwoju w WeatherWell. Posiada doświadczenie w praktycznym zastosowaniu uczenia maszynowego w tworzeniu gier, bankowości i...
Od 2012 roku zajmuję się uczeniem maszynowym i analizą danych. Obecnie pracuje jako szef działu badań i rozwoju w WeatherWell. Posiada doświadczenie w praktycznym zastosowaniu uczenia maszynowego w tworzeniu gier, bankowości i Health Tech. Wykładał uczenie maszynowe i analizę danych w Centrum Finansów Matematycznych Uniwersytetu Moskiewskiego oraz był gościnnym wykładowcą na Wydziale Informatyki Wyższej Szkoły Ekonomii Państwowego Uniwersytetu Badawczego oraz w różnych szkołach letnich. Wykształcenie: Ekonomiczno-matematyczne REU im. Plechanow, Centralny Wydział Matematyki i Matematyki Uniwersytetu Moskiewskiego, zaawansowane szkolenie zawodowe Wydziału Informatyki Wyższej Szkoły Ekonomicznej „Praktyczna analiza danych i uczenie maszynowe”, mgr informatyki Aalto Stos uniwersytecki/zainteresowania: Python, uczenie maszynowe, szeregi czasowe, wykrywanie anomalii, otwarte dane, uczenie maszynowe na potrzeby społecznościowe Dobry
Wprowadzenie do Pythona
-Temat 1.Poznawanie się
-Temat 2. Konfiguracja środowiska pracy
-Temat 3.Podstawowe typy i struktury danych. Kontrola przepływu
-Temat 4.Praca z funkcjami i danymi
-Motyw 5.Git, powłoka
Wprowadzenie do Pythona. OOP, moduły, bazy danych
-Temat 6. Podstawy OOP
-Temat 7.Zaawansowane OOP, wyjątki
-Temat 8.Zaawansowane OOP, ciąg dalszy
-Temat 9.Moduły i importy
-Temat 10.Testy
-Temat 11.Wprowadzenie do modułów wbudowanych
-Temat 12. Pliki i sieć
Podstawy Pythona dla ML
-Temat 13. Podstawy NumPy
-Temat 14. Podstawy pand
-Temat 15. Wizualizacja danych
Minimum teoretyczne dla ML: matematyka, liniowość, statystyka
-Temat 16.Macierze. Podstawowe pojęcia i operacje
-Temat 17. Praktyka. Matryce
-Temat 18. Różniczkowanie i optymalizacja funkcji
-Temat 19. Praktyka. Różniczkowanie i optymalizacja funkcji
-Temat 20. Algorytmy i złożoność obliczeniowa
-Temat 21.MNC i MSE
-Temat 22. Praktyka. MNE i MSE
-Temat 23. Zmienne losowe i ich modelowanie
-Temat 24. Praktyka. Zmienne losowe i ich modelowanie
-Temat 25. Badanie zależności: wielkości nominalne, porządkowe i ilościowe
-Temat 26. Praktyka. Badanie zależności: wielkości nominalne, porządkowe i ilościowe
-Temat 27.Badanie AB
Podstawowe metody uczenia maszynowego
-Temat 28.Wprowadzenie do uczenia maszynowego
-Temat 29. Eksploracyjna analiza danych i ich wstępne przetwarzanie
-Temat 30. Problem klasyfikacji. Metoda najbliższego sąsiada
-Temat 31.Problem regresji. Regresja liniowa
-Temat 32.Regresja logistyczna
-Temat 33.Drzewa decyzyjne
-Temat 34. Inżynieria cech i zaawansowane przetwarzanie wstępne
-Temat 35. Lekcja praktyczna - rozwiązywanie Kaggle przy użyciu wszystkiego, czego się nauczyliśmy
Praca projektowa
-Temat 36. Wybór tematu i organizacja pracy projektowej
-Temat 37. Konsultacje projektowe
-Temat 38.Ochrona projektów