Nauczanie maszynowe. Poziom zaawansowany – bezpłatny kurs firmy Otus, szkolenie 5 miesięcy, termin: 4 grudnia 2023.

Miscellanea / by admin / December 08, 2023

click fraud protection

Opanujesz zaawansowane techniki uczenia maszynowego, które pozwolą Ci czuć się pewnie na kierowniczych stanowiskach Middle/Senior i radzić sobie nawet z niestandardowymi zadaniami.

Poszerzysz swoją gamę narzędzi dostępnych do pracy. Co więcej, nawet w przypadku takich tematów, jak metody Bayesa i uczenie się przez wzmacnianie, które są zwykle nauczane wyłącznie w formie teorii, wybraliśmy z naszych praktyk rzeczywiste przypadki robocze.

Osobny moduł poświęcony jest pracy na produkcji: konfigurowaniu środowiska, optymalizacji kodu, budowaniu kompleksowych potoków i wdrażaniu rozwiązań.

Wszechstronne zadania projektowe
Podczas kursu wykonasz kilka praktycznych zadań, aby utrwalić swoje umiejętności w zakresie poruszanych tematów. Każde zadanie to praktyczny projekt analizy danych, który rozwiązuje konkretną aplikację uczenia maszynowego.

Dla kogo jest ten kurs?
Dla analityków, programistów i analityków danych zajmujących się uczeniem maszynowym. Kurs pomoże Ci poszerzyć swoje możliwości i pójść dalej na ścieżce kariery.

instagram viewer

Po ukończeniu kursu będziesz potrafił:
Skonfiguruj środowisko i napisz kod produkcyjny gotowy do wdrożenia
Pracuj z podejściami AutoML i zrozum ograniczenia w ich użyciu
Rozumieć i potrafić zastosować metody Bayesa i uczenie się przez wzmacnianie do odpowiednich problemów
Rozwiązuj niestandardowe problemy pojawiające się w systemach rekomendacyjnych, szeregach czasowych i wykresach

Zacząłem naukę w szkole z lutownicą w rękach. Potem był ZX Spectrum. Poszedłem na studia na kierunku inżynieria. W mechanice jest wiele ciekawych rzeczy, ale w 2008 roku zainteresowanie przejęło informatyka: sieci komputerowe -> Delphi -> PHP -> Python. Były eksperymenty z innymi językami, ale ja chcę pisać w tym języku. Brał udział w projektach automatyzacji procesów biznesowych z wykorzystaniem sieci neuronowych (usługa zamawiania taksówek Maxim) oraz rozwoju systemów informatycznych w medycynie. Praca z systemami GIS i obróbka obrazu przy użyciu języka Python. W nauczaniu przyjmuje się następującą postawę: „Jeśli ktoś nie potrafi wyjaśnić czegoś złożonego prostymi słowami, oznacza to, że nie jest w tym jeszcze zbyt dobry”. rozumie.”Wykształcenie: Uniwersytet Kurgan, Katedra Bezpieczeństwa Informacji i Systemów Zautomatyzowanych, dr hab. Ukończył w 2002 roku Kurgan State University na kierunku „Wielofunkcyjne pojazdy gąsienicowe i kołowe”. przekładnie bezstopniowe. Od tego czasu jest oficjalnie zatrudniony na uczelni (KSU). Nauczyciel

Pracuje jako analityk danych w funduszu hedgingowym Meson Capital. Zajmuje się konstrukcją różnych modeli prognozujących zachowanie na giełdzie. Wcześniej spędziłem ponad 9 lat na rozwiązywaniu problemów biznesowych w oparciu o maszyny...

Pracuje jako analityk danych w funduszu hedgingowym Meson Capital. Zajmuje się konstrukcją różnych modeli prognozujących zachowanie na giełdzie. Wcześniej spędził ponad 9 lat rozwiązując problemy biznesowe w oparciu o uczenie maszynowe w takich firmach jak Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, budowa modeli widzenia komputerowego, przetwarzania języka naturalnego i czasu wydziwianie. Jest gościnnym wykładowcą w MIPT, gdzie prowadzi własny kurs „Praktyczne ML”. Valentin uzyskał tytuł magistra w MIPT. Jego zainteresowania obejmują wdrażanie i budowę infrastruktury dla rozwiązań opartych na danych. Nauczyciel

Doświadczony programista, naukowiec i ekspert uczenia maszynowego/głębokiego z doświadczeniem w systemach rekomendacyjnych. Ma ponad 30 publikacji naukowych w języku rosyjskim i obcym oraz obronił pracę doktorską na temat analizy i prognozowania szeregów czasowych. Absolwent Wydziału Informatyki Państwowego Uniwersytetu Badawczego w Moskiewskim Instytucie Energetyki, gdzie w 2008 r. uzyskała tytuł licencjata, magistra w 2010 r., a kandydata nauk technicznych w 2014 r. Jeszcze przed rozpoczęciem pracy nad swoją rozprawą doktorską zainteresowałem się analizą danych i realizując swój pierwszy znaczący projekt ze zwykłego programisty przeszedłem do kierownika działu rozwoju. Przez około 10 lat wykładał dyscypliny pokrewne na Państwowym Uniwersytecie Badawczym w Moskiewskim Instytucie Energetyki, będąc profesorem nadzwyczajnym tego wydziału. Kieruje zespołami Data Science rozwijającymi projekty z zakresu NLP, RecSys, Time Series i Computer Vision Teacher

Zaawansowane uczenie maszynowe. AutoML
-Temat 1. Kod produkcyjny projektu na przykładzie problemu klasyfikacji/regresji, Środowiska wirtualne, zarządzanie zależnościami, pypi/gemfury
-Temat 2. Lekcja praktyczna - Optymalizacja kodu, równoległość, przetwarzanie wieloprocesorowe, akceleracja pand, Modin dla Pand
-Temat 3.Zaawansowane wstępne przetwarzanie danych. Kodowanie kategoryczne
-Temat 4.Featuretools - czy zamierzasz wymyślić dla mnie funkcje?
-Temat 5.H2O i TPOT - czy zbudujesz dla mnie modele?

Produkcja
-Temat 6. Lekcja praktyczna - Budowa rurociągów typu end-to-end i serializacja modeli
-Temat 7.Architektura REST: API Flask
-Temat 8.Docker: Struktura, aplikacja, wdrożenie
-Temat 9.Kubernetes, orkiestracja kontenerów
-Temat 10. Praktyczna lekcja pracy na produkcji: wdrażanie Dockera w AWS

Szereg czasowy
-Temat 11. Ekstrakcja cech. Transformacja Fouriera i Waveleta, automatyczne generowanie cech - tsfresh
-Temat 12. Podejścia nienadzorowane: Grupowanie szeregów czasowych
-Temat 13. Podejścia nienadzorowane: Segmentacja szeregów czasowych

Systemy rekomendacyjne. Zadanie rankingowe
-Temat 14. Systemy rekomendujące 1. Wyraźna informacja zwrotna
-Temat 15. Systemy rekomendujące 2. Ukryta informacja zwrotna
-Temat 16. Zadanie rankingowe - Nauka rankingowania
-Temat 17. Lekcja praktyczna na temat systemów rekomendacyjnych. Niespodzianka!
-Temat 18. Pytania i odpowiedzi

Wykresy
-Temat 19. Wprowadzenie do grafów: podstawowe pojęcia. SiećX, gwiazda
-Temat 20. Analiza i interpretacja wykresów. Wykrywanie społeczności
-Temat 21. Przewidywanie połączeń i klasyfikacja węzłów
-Temat 22. Lekcja praktyczna: Hejterzy na Twitterze

Uczenie się bayesowskie, PyMC
-Temat 23.Wprowadzenie do modelowania probabilistycznego, szacunki a posteriori, pobieranie próbek
-Temat 24.Łańcuch Markowa Monte-Carlo (MCMC), Metropolis – Hastings
-Temat 25. Testowanie bayesowskie AB
-Temat 26. Uogólniony model liniowy (GLM) - Regresje bayesowskie, wyprowadzanie późniejszych estymatorów współczynników
-Temat 27. Lekcja praktyczna o GLM
-Temat 28. Bayesowska sieć zaufania: ćwiczenia praktyczne
-Temat 29. Lekcja praktyczna z regresji logitowej

Uczenie się przez wzmacnianie
-Temat 30.Wprowadzenie do uczenia się przez wzmacnianie
-Temat 31.Wieloręcy bandyci do optymalizacji testów AB, od teorii - prosto do bitwy
-Temat 32. Lekcja praktyczna: Wieloręcy bandyci w e-commerce: optymalizacja wyszukiwania
-Temat 33. Proces decyzyjny Markowa, funkcja wartości, równanie Bellmana
-Temat 34. Iteracja wartości, Iteracja polityki
-Temat 35. Lekcja praktyczna: przypadek medyczny Łańcuch Markowa Monte Carlo
-Temat 36. Różnica czasowa (TD) i Q-learning
-Temat 37.SARSA i lekcja praktyczna: Sprawa finansowa TD i Q-learning
-Temat 38. Pytania i odpowiedzi

Praca projektowa
-Temat 39. Konsultacje projektu, wybór tematu
-Temat 40.Bonus: Znajdowanie pracy w dziedzinie analityki danych
-Temat 41.Ochrona dzieł projektowych

Uczenie maszynowe w praktyce

Wstępny kurs praktyczny z uczenia maszynowego. Rozpatrywany jest pełny cykl budowy rozwiązania: od wybrania danych początkowych („plik .xlsx”) aż do zbudowanie modelu i wyjaśnienie klientowi końcowemu cech danych i specyfiki otrzymanych danych wynik. Sekcje teoretyczne – klasyfikacja, regresja, przewidywania, zespoły – podawane są w trybie przeglądowym, w zakresie niezbędnym do prawidłowej konstrukcji i zrozumienia analizowanych przykładów.

41 500 ₽

Więcej szczegółów Do strony kursu

24 godziny

Tagi chmura

Miscellanea

Ocena

widoki

Komentarze