Nauczanie maszynowe. Profesjonalny - bezpłatny kurs firmy Otus, szkolenie 5 miesięcy, termin: 2 grudnia 2023.
Miscellanea / / December 05, 2023
Konsekwentnie opanujesz nowoczesne narzędzia analizy danych i będziesz potrafił tworzyć modele uczenia maszynowego na profesjonalnym poziomie. Aby skonsolidować swoje umiejętności w zakresie każdego algorytmu, wykonasz pełen zakres prac, od przygotowania zbioru danych po analizę wyników i przygotowanie do produkcji. Praktyka i wiedza, którą zdobędziesz, wystarczą, aby samodzielnie rozwiązywać klasyczne problemy ML i aplikować na stanowiska Junior+ i Middle Data Scientist.
Projekty portfelowe
W trakcie kursu zrealizujesz kilka projektów portfolio i nauczysz się kompetentnie prezentować wyniki swojej pracy, aby przejść rozmowę kwalifikacyjną. W przypadku końcowego projektu możesz skorzystać z jednej z opcji zaproponowanych przez nauczyciela lub wdrożyć własny pomysł.
Dla kogo jest ten kurs?
Dla początkujących analityków i badaczy danych. Kurs pomoże Ci usystematyzować i pogłębić wiedzę. Będziesz mógł eksperymentować z podejściami, analizować przypadki robocze i otrzymywać wysokiej jakości opinie od ekspertów.
Dla programistów i specjalistów z innych dziedzin, którzy chcą zmienić zawód i rozwijać się w obszarze Data Science. Kurs da Ci możliwość zbudowania silnego portfolio i zanurzenia się w atmosferze prawdziwych zadań jako analityk danych.
Do nauki potrzebne będzie doświadczenie w Pythonie na poziomie pisania własnych funkcji, a także znajomość analizy matematycznej, algebry liniowej, teorii prawdopodobieństwa i matematyki. Statystyka.
Funkcje kursu
Najlepsze praktyki i trendy. Przy każdym uruchomieniu program jest aktualizowany w celu odzwierciedlenia szybko zmieniających się trendów w dziedzinie nauki o danych. Po szkoleniu będziesz mógł od razu przystąpić do pracy nad realnymi projektami.
Ważne umiejętności dodatkowe. W ramach kursu poruszane są tematy zazwyczaj pomijane, a niezbędne specjalistom w codziennych zadaniach i bardzo cenione przez pracodawców:
— budowanie systemów automatycznego wyszukiwania anomalii;
— prognozowanie szeregów czasowych z wykorzystaniem uczenia maszynowego;
— kompleksowe potoki do pracy z danymi, gotowe do wdrożenia w produkcji.
Kreatywna atmosfera i warunki zbliżone do rzeczywistych procesów pracy. Cały kurs jest zbudowany jako symulator codziennego życia zawodowego analityka danych, z którym będziesz musiał sobie poradzić „brudne” dane, przelicz swoje działania z wyprzedzeniem, eksperymentuj z rozwiązaniami i przygotowuj modele produkcja W tym przypadku będziesz potrzebować ciekawości, wytrwałości i pragnienia nowych doświadczeń.
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
Zaawansowane techniki uczenia maszynowego
-Temat 1. Lekcja wprowadzająca. Przyjrzyj się ponownie podstawowym koncepcjom uczenia maszynowego na praktycznym przykładzie
-Temat 2.Drzewa decyzyjne
-Temat 3.Python dla ML: potoki, akceleracja pand, przetwarzanie wieloprocesowe
-Temat 4.Zespoły modelowe
-Temat 5. Wzmocnienie gradientowe
-Temat 6.Wsparcie maszyny wektorowej
-Temat 7. Metody redukcji wymiarowości
-Temat 8. Nauka bez nauczyciela. K-średnie, algorytm EM
-Temat 9. Nauka bez nauczyciela. Klastrowanie hierarchiczne. Skanowanie DB
-Temat 10. Znajdowanie anomalii w danych
-Temat 11. Lekcja praktyczna - Budowa rurociągów typu end-to-end i serializacja modeli
-Temat 12.Algorytmy na grafach
Zbieranie danych. Analiza danych tekstowych.
-Temat 13.Zbieranie danych
-Temat 14.Analiza danych tekstowych. Część 1: Przetwarzanie wstępne i tokenizacja
-Temat 15.Analiza danych tekstowych. Część 2: Wektorowe reprezentacje słów, praca z wcześniej wytrenowanymi osadzaniami
-Temat 16.Analiza danych tekstowych. Część 3: Rozpoznawanie podmiotów nazwanych
-Temat 17.Analiza danych tekstowych. Część 4: Modelowanie tematyczne
-Temat 18. Pytania i odpowiedzi
Analiza szeregów czasowych
-Temat 19. Analiza szeregów czasowych. Część 1: Sformułowanie problemu, najprostsze metody. Model ARIMA
-Temat 20. Analiza szeregów czasowych. Część 2: Ekstrakcja cech i zastosowanie modeli uczenia maszynowego. Automatyczne prognozowanie
-Temat 21. Analiza szeregów czasowych Część 3: Grupowanie szeregów czasowych (szukanie powiązanych notowań giełdowych)
Systemy rekomendujące
-Temat 22. Systemy rekomendacyjne. Część 1: Opis problemu, mierniki jakości. Wspólne filtrowanie. Chłodny początek
-Temat 23. Systemy rekomendacyjne. Część 2: Filtrowanie treści, podejścia hybrydowe. Regulamin stowarzyszenia
-Temat 24. Systemy rekomendacyjne. Część 3: Ukryta informacja zwrotna
-Temat 25. Lekcja praktyczna na temat systemów rekomendacyjnych. Niespodzianka
-Temat 26. Pytania i odpowiedzi
Dodatkowe tematy
-Temat 27. Szkolenie Kaggle ML nr 1
-Temat 28. Szkolenie Kaggle ML nr 2
-Temat 29.ML w Apache Spark
-Temat 30. Poszukiwanie pracy w Data Science
Praca projektowa
-Temat 31. Wybór tematu i organizacja pracy projektowej
-Temat 32. Konsultacje dotyczące projektów i prac domowych
-Temat 33.Ochrona dzieł projektowych