Maskininlärning. Professionell - gratis kurs från Otus, utbildning 5 månader, Datum: 2 december 2023.

Miscellanea / by admin / December 05, 2023

Du kommer konsekvent att behärska moderna dataanalysverktyg och kunna skapa maskininlärningsmodeller på professionell nivå. För att konsolidera dina kunskaper med varje algoritm kommer du att utföra en komplett pipeline av arbete från att förbereda datasetet till att analysera resultaten och förbereda för produktion. Den praktik och kunskap du kommer att få kommer att räcka för att självständigt lösa klassiska ML-problem och söka till Junior+ och Middle Data Scientist-tjänster.

Portföljprojekt

Under kursen kommer du att genomföra flera portföljprojekt och lära dig att på ett kompetent sätt presentera resultatet av ditt arbete för att klara intervjuer. För ditt slutprojekt kan du ta ett av alternativen som läraren föreslår eller implementera din egen idé.

Vem är den här kursen för?

För nybörjaranalytiker och datavetare. Kursen hjälper dig att systematisera och fördjupa dina kunskaper. Du kommer att kunna experimentera med tillvägagångssätt, analysera arbetsfall och få högkvalitativ feedback från experter.

instagram viewer

För utvecklare och specialister inom andra områden som vill byta yrke och utvecklas inom området Data Science. Kursen ger dig möjlighet att bygga en stark portfölj och fördjupa dig i atmosfären av verkliga uppgifter som datavetare.

För att lära dig behöver du Python-erfarenhet på nivå med att skriva egna funktioner, samt kunskap om matematisk analys, linjär algebra, sannolikhetsteori och matematik. statistik.

Kursens funktioner

Bästa metoder och trender. Varje lansering uppdateras programmet för att spegla snabbt föränderliga trender inom Data Science. Efter utbildningen kommer du omedelbart att kunna börja arbeta med riktiga projekt.

Viktiga sekundära färdigheter. Kursen innehåller ämnen som vanligtvis förbises, men som är nödvändiga för en specialist i vardagliga sysslor och som värderas högt av arbetsgivare:
— Bygga system för automatisk sökning efter anomalier.
— prognostisering av tidsserier med hjälp av maskininlärning.
— end-to-end pipelines för arbete med data, redo för implementering i produktionen.

Kreativ atmosfär och förutsättningar nära verkliga arbetsprocesser. Hela kursen är byggd som en simulator av en datavetares vardag, där du kommer att få klara av "smutsiga" data, beräkna dina handlingar i förväg, experimentera med lösningar och förbered modeller i produktion I det här fallet kommer du att behöva nyfikenhet, uthållighet och en törst efter nya upplevelser.

Maria Tikhonova

kurs

Arbetar 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

Dmitrij Sergeev

kurs

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

Avancerade maskininlärningstekniker
-Ämne 1. Introduktionslektion. Återgå till grundläggande maskininlärningskoncept med ett praktiskt exempel
-Ämne 2.Beslutsträd
-Theme 3.Python för ML: pipelines, pandaacceleration, multiprocessing
-Ämne 4. Modellensembler
-Ämne 5.Gradientförstärkning
-Ämne 6.Support vektor maskin
-Ämne 7. Metoder för dimensionsminskning
-Ämne 8. Lärande utan lärare. K-medel, EM-algoritm
-Ämne 9. Lärande utan lärare. Hierarkisk klustring. DB-Scan
-Ämne 10. Hitta anomalier i data
-Ämne 11. Praktisk lektion - Konstruktion av end-to-end pipelines och serialisering av modeller
-Ämne 12. Algoritmer på grafer

Datainsamling. Analys av textdata.
-Ämne 13.Datainsamling
-Ämne 14. Analys av textdata. Del 1: Förbearbetning och tokenisering
-Ämne 15. Analys av textdata. Del 2: Vektorrepresentationer av ord, arbete med förtränade inbäddningar
-Ämne 16. Analys av textdata. Del 3: Namngiven Entity Recognition
-Ämne 17. Analys av textdata. Del 4: Ämnesmodellering
-Ämne 18.Frågor och svar

Tidsserieanalys
-Ämne 19. Tidsserieanalys. Del 1: Problembeskrivning, enklaste metoder. ARIMA modell
-Ämne 20. Tidsserieanalys. Del 2: Funktionsextraktion och tillämpning av maskininlärningsmodeller. Automatisk prognos
-Ämne 21. Tidsserieanalys Del 3: Klustring av tidsserier (letar efter relaterade aktiekurser)

Rekommendationssystem
-Ämne 22. Rekommendationssystem. Del 1: Förklaring av problemet, kvalitetsmått. Kollaborativ filtrering. Kall start
-Ämne 23. Rekommendationssystem. Del 2: Innehållsfiltrering, hybridmetoder. Föreningens regler
-Ämne 24. Rekommendationssystem. Del 3: Implicit feedback
-Ämne 25. Praktisk lektion om rekommendatorsystem. Överraskning
-Ämne 26.Frågor och svar

Ytterligare ämnen
-Ämne 27.Kaggle ML träning nr 1
-Ämne 28.Kaggle ML träning nr 2
-Ämne 29.ML i Apache Spark
-Ämne 30. Söker efter jobb inom datavetenskap

Projektarbete
-Ämne 31. Val av ämne och organisation av projektarbetet
-Ämne 32. Samråd om projekt och läxor
-Ämne 33.Skydd av designarbete

Tags moln

Miscellanea

Gradering

Visningar

Kommentarer