Uczenie maszynowe: podstawowe narzędzia i praktyki - kurs 51 590 RUB. z Netology, szkolenie 10 miesięcy, data 30.11.2023.

Budowa modelu
Dowiedz się, czym jest biblioteka Sklearn i jak z niej korzystać. Naucz się algorytmów grupowania i umiej budować zespoły modeli. Naucz się oceniać modele i pracować z nadmiernym dopasowaniem. Dowiesz się, jak korzystać z GridSearch i RandomizedSearch, CV specyficznego dla modelu, podejścia Out of Bag.
• Biblioteka Sklearn
• Algorytmy klasyfikacji: metody liniowe, regresja logistyczna i SVM
• Algorytmy klasyfikacji: drzewa decyzyjne
• Algorytmy regresji: liniowy i wielomianowy
• Algorytmy grupujące
• Zespół
• Ocena dokładności modelu, przekwalifikowanie, regularyzacja
• Poprawa jakości modelu
• Organizacja projektu, przygotowanie raportów z badań
• Praca laboratoryjna
• Dostarczenie projektu pośredniego

Praca z klientem
Nauczysz się planować rozwój projektów data science, a także kompetentnie informować klientów o wynikach badań.

• Organizacja projektu
• Przygotowywanie raportów z badań

Systemy rekomendacyjne
W tym i kolejnych blokach wykorzystasz zdobytą wiedzę w różnych obszarach uczenia maszynowego. Podczas tego bloku dowiesz się, jak budować spersonalizowane i niespersonalizowane systemy rekomendacji oraz jak je łączyć.
• Wprowadzenie i klasyfikacja systemów rekomendacyjnych
• Zalecenia oparte na treści
• Wspólne filtrowanie
• Niespersonalizowane systemy rekomendacji
• Algorytmy hybrydowe

Wizja komputerowa
Opanujesz podstawowe techniki widzenia komputerowego: ekstrakcję cech, wyszukiwanie obrazów, segmentację, wykrywanie obiektów, a także nauczysz się budować sieci neuronowe.
• Szukaj według obrazów
• Segmentacja obrazu, wykrywanie obiektów
• Zastosowanie ultraprecyzyjnych sieci neuronowych do zadań segmentacji i detekcji
• Zastosowanie sieci rekurencyjnych w zagadnieniach przetwarzania obrazu
• Generacyjne Sieci Przeciwstawne (GAN)

Przetwarzanie języka naturalnego (NLP)
opanujesz analizę morfologiczną i syntaktyczną, semantykę dystrybucji i wyszukiwanie informacji, naucz się redukować wymiarowość w modelu wektorowym, klasyfikować, wydobywać informacje i generować teksty.
• Analiza morfologiczna i syntaktyczna
• Metody redukcji wymiarowości w modelu wektorowym. Szukanie informacji
• Modelowanie tematyczne (LSA, LDA, HDP)
• Semantyka dystrybutywna (word2vec, GloVe, AdaGram)
• Przeliczalne modele językowe i probabilistyczne modele językowe. LSTM. Tłumaczenie maszynowe
• Generowanie tekstu (generowanie języka naturalnego)
• Problem klasyfikacji w AOT

Szereg czasowy
W tej intensywnej jednostce nauczysz się identyfikować pochodzenie i strukturę szeregów czasowych, przewidywać przyszłe wartości w celu skutecznego podejmowania decyzji podczas budowania modeli uczenia maszynowego. Zrozumiesz, co kryje się „pod maską” popularnych metod i bibliotek.
• Algorytmy przetwarzania szeregów czasowych
• Modele ARIMA i GARCH
• Procesy losowe Markowa

Ostatni hackaton
Uzupełniajmy trening rywalizując z kolegami z kursu: w ramach mini-zespołu przez ograniczony czas i w oparciu o zbiory danych głównych graczy rynku, będziesz musiał rozwiązać problemy prognozowania sprzedaży lub optymalizacji produkcji, wykorzystując całą wiedzę i umiejętności zdobyte w kurs. Integracja i wykorzystanie rozwiązań uczenia maszynowego w biznesie z reguły wiąże się z grą zespołową, dlatego hackaton sprawdzi się także jako szkolenie niezbędnych kompetencji miękkich.

Projekt dyplomowy
W ramach projektu pracy dyplomowej zbudujesz model uczenia maszynowego, aby rozwiązać swoje obecne problemy zawodowe: może to być system prognozowanie sprzedaży, rozpoznawanie obiektów na zdjęciach lub filmach, analiza szeregów czasowych, analiza dużych ilości tekstu itp. D. Jeśli w tej chwili nie masz pomysłu na swój projekt (ani dostępu do niezbędnych danych), zaproponujemy Ci case study z interesującego Cię obszaru w oparciu o realny zbiór danych innych firm. Praca dyplomowa wykonywana jest samodzielnie pod okiem ekspertów kursu i pozwala na utrwalenie całego zakresu wiedzy i umiejętności zdobytych w programie.