Maskininlärning. Grundläggande - kurs 52 668 rub. från Otus, utbildning 6 månader, datum 27 februari 2023.
Miscellanea / / November 30, 2023
Du kommer att lära dig att lösa problem från verkliga arbetsprocesser, som oftast tilldelas nybörjare specialister inom Data Science. I slutet av kursen har du samlat en portfölj med arbete, genomfört intervjuförberedelser och karriärrådgivning.
Kursen ger dig den nödvändiga grunden:
Pytonorm. Du kommer att gå igenom grunderna i programmering och lära dig hur du använder detta mest relevanta språk i maskininlärningsuppgifter.
Matematik. Bemästra nyckelavsnitt för att förstå de teoretiska grunderna och principerna för algoritmer.
Klassiska maskininlärningsmodeller. Samla dina datamängder och slutför en komplett pipeline av arbete med dina första modeller.
Kreativ atmosfär:
Under utbildningen kommer du att fördjupas i förhållanden nära verkliga arbetsprocesser. Du kommer att behöva hantera smutsiga data, tänka framåt, experimentera med lösningar och förbereda modeller för produktion.
Klassrumsmiljön uppmuntrar eleverna att vara nyfikna, aktivt diskutera och inte vara rädda för att göra misstag.
Personlig mentor:
Onlinesessioner i 40 minuter varje vecka;
I början av din utbildning tilldelas du en mentor. Liksom lärare är mentorer experter som arbetar inom datavetenskap;
En gång i veckan gör du din läxa, lägger upp den på GitHub och ordnar ett samtal med din mentor;
Mentorn bekantar sig med din kod i förväg, så vid mötestillfället vet han redan vad han ska vara uppmärksam på. Du kan också förbereda frågor;
Under sessionen kommer mentorn att kommentera ditt beslut. Vid behov kan du omedelbart gå till utvecklingsmiljön, göra ändringar i koden och omedelbart se resultatet.
Efter träningen kommer du att kunna:
Sök tjänster som kräver juniorkompetens
Lös verkliga affärsproblem med hjälp av maskininlärningsmetoder
Arbeta med Python-bibliotek för maskininlärning
Att hantera icke-standardiserade situationer genom en djup teoretisk förståelse för hur algoritmer och modeller fungerar
Navigera i olika områden inom Data Science och välj verktyg som passar uppgiften.
3
kursArbetar som dataanalytiker i AGI NLP-teamet i Sberbank. Fungerar med språkmodeller för neurala nätverk och deras tillämpning i verkliga problem. Tror att arbetet inom datavetenskap ger en unik...
Arbetar som dataanalytiker i AGI NLP-teamet i Sberbank. Fungerar med språkmodeller för neurala nätverk och deras tillämpning i verkliga problem. Han tror att arbetet inom området Data Science ger en unik möjlighet att göra galet coola saker på kanten av vetenskapen som förändrar världen här och nu. Undervisar i ämnen i dataanalys, maskininlärning och datavetenskap på Handelshögskolan. Maria tog examen från fakulteten för mekanik och matematik vid Moscow State University och Yandex School of Data Analysis. Maria är för närvarande doktorand vid Handelshögskolan vid Datavetenskapliga fakulteten. Hennes forskningsintressen inkluderar datavetenskapliga områden som naturlig språkbehandling och ämnesmodellering. Programansvarig
3
kursHar praktiserat maskininlärning och dataanalys sedan 2012. Arbetar för närvarande som Head of R&D på WeatherWell. Har erfarenhet av praktisk tillämpning av maskininlärning inom spelutveckling, bank och...
Har praktiserat maskininlärning och dataanalys sedan 2012. Arbetar för närvarande som Head of R&D på WeatherWell. Har erfarenhet av praktisk tillämpning av maskininlärning inom spelutveckling, bank och Health Tech. Han undervisade i maskininlärning och dataanalys vid Center for Mathematical Finance vid Moscow State University och var gästföreläsare vid fakulteten för datavetenskap vid National Research University Higher School of Economics och olika sommarskolor. Utbildning: Ekonomi-matematik REU im. Plekhanov, centrala fakulteten för matematik och matematik vid Moscow State University, avancerad yrkesutbildning vid fakulteten för datavetenskap vid Högre Handelshögskolan "Praktisk dataanalys och maskininlärning", MSc Computer Science Aalto University Stack/Intressen: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social Bra
Introduktion till Python
-Ämne 1. Att lära känna varandra
-Ämne 2. Att sätta upp arbetsmiljön
-Ämne 3.Grundläggande typer och datastrukturer. Flödeskontroll
-Ämne 4. Arbeta med funktioner och data
-Tema 5.Git, skal
Introduktion till Python. OOP, moduler, databaser
-Ämne 6. Grunderna i OOP
-Ämne 7. Avancerad OOP, undantag
-Ämne 8. Avancerad OOP, fortsättning
-Ämne 9.Moduler och importer
-Ämne 10.Tester
-Ämne 11.Introduktion till inbyggda moduler
-Ämne 12. Filer och nätverk
Python Basics för ML
-Ämne 13. NumPy Basics
-Ämne 14. Grunderna i Pandas
-Ämne 15.Datavisualisering
Teoretiskt minimum för ML: matematik, linjär, statistik
-Ämne 16.Matriser. Grundläggande koncept och operationer
-Ämne 17. Öva. Matriser
-Ämne 18. Differentiering och optimering av funktioner
-Ämne 19. Öva. Differentiering och optimering av funktioner
-Ämne 20. Algoritmer och beräkningskomplexitet
-Ämne 21.MNC och MSE
-Ämne 22. Öva. multinationella företag och multinationella företag
-Ämne 23. Slumpvariabler och deras modellering
-Ämne 24. Öva. Slumpvariabler och deras modellering
-Ämne 25. Studie av beroenden: nominella, ordinala och kvantitativa storheter
-Ämne 26. Öva. Studie av beroenden: nominella, ordinala och kvantitativa storheter
-Ämne 27.AB-testning
Grundläggande maskininlärningsmetoder
-Ämne 28.Introduktion till maskininlärning
-Ämne 29.Utforskande dataanalys och förbearbetning
-Ämne 30. Klassificeringsproblem. Närmaste grannar metod
-Ämne 31.Regressionsproblem. Linjär regression
-Ämne 32.Logistisk regression
-Ämne 33.Beslutsträd
-Ämne 34. Funktionsteknik och avancerad förbearbetning
-Ämne 35. Praktisk lektion - att lösa Kaggle med allt vi har lärt oss
Projektarbete
-Ämne 36. Val av ämne och organisation av projektarbetet
-Ämne 37. Projektkonsultation
-Ämne 38.Projektskydd