Maskininlärning. Avancerad - gratis kurs från Otus, utbildning 5 månader, Datum: 4 december 2023.

Miscellanea / by admin / December 08, 2023

Du kommer att behärska avancerade maskininlärningstekniker som gör att du kan känna dig säker på att leda mellan-/seniorpositioner och klara även av icke-standardiserade uppgifter.

Du kommer att utöka ditt utbud av verktyg tillgängliga för arbetet. Dessutom, även för ämnen som Bayesianska metoder och förstärkningsinlärning, som vanligtvis lärs ut uteslutande i form av teori, valde vi verkliga arbetsfall från våra praktiker.

En separat modul är dedikerad till att arbeta i produktionen: sätta upp miljön, optimera kod, bygga end-to-end pipelines och implementera lösningar.

Mångsidiga projektuppdrag
Under kursen kommer du att genomföra flera praktiska uppgifter för att befästa dina kunskaper inom de ämnen som behandlas. Varje uppgift är ett praktiskt dataanalysprojekt som löser en specifik maskininlärningsapplikation.

Vem är den här kursen för?
För analytiker, programmerare och datavetare som utövar maskininlärning. Kursen hjälper dig att utöka dina förmågor och komma vidare längs din karriärväg.

instagram viewer

Efter genomgången kurs kommer du att kunna:
Ställ in miljön och skriv produktionskod redo för implementering
Arbeta med AutoML-metoder och förstå begränsningarna i deras användning
Förstå och kunna tillämpa Bayesianska metoder och förstärkningsinlärning på relevanta problem
Lös icke-standardiserade problem som uppstår i rekommendatorsystem, tidsserier och grafer

Jag började i skolan med en lödkolv i händerna. Sedan var det ZX Spectrum. Jag gick på universitetet till huvudingenjör. Det finns mycket intressant inom mekanik, men 2008 tog intresset för IT över: datornätverk -> Delphi -> PHP -> Python. Det har gjorts experiment med andra språk, men jag vill skriva på det här språket. Deltog i projekt för att automatisera affärsprocesser med hjälp av neurala nätverk (Maxim taxibeställningstjänst), samt utveckla informationssystem inom medicin. Arbetade med GIS-system och bildbehandling med Python. I undervisningen är positionen: "Om någon inte kan förklara något komplext med enkla ord, betyder det att de inte är särskilt bra på det ännu." förstår.” Utbildning: Kurgan University, Department of Security of Information and Automated Systems, Ph.D. Tog examen 2002 Kurgan State University med en examen i "Multi-purpose band- och hjulfordon." 2005 disputerade han på sin avhandling om kontinuerligt variabla transmissioner. Sedan dess har han varit officiellt anställd vid universitetet (KSU). Lärare

Jobbar som dataanalytiker på hedgefonden Meson Capital. Engagerad i konstruktionen av olika modeller som förutsäger beteende på aktiemarknaden. Innan dess tillbringade jag mer än 9 år med att lösa affärsproblem baserat på maskin...

Jobbar som dataanalytiker på hedgefonden Meson Capital. Engagerad i konstruktionen av olika modeller som förutsäger beteende på aktiemarknaden. Innan dess tillbringade han mer än 9 år med att lösa affärsproblem baserade på maskininlärning i företag som Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, bygga modeller för datorseende, naturlig språkbehandling och tid rader. Han är gästföreläsare på MIPT, där han undervisar i sin egen kurs "Praktisk ML." Valentin avslutade sin masterexamen vid MIPT. Hans intressen är att implementera och bygga infrastruktur för datadrivna lösningar. Lärare

Erfaren utvecklare, forskare och maskin-/djupinlärningsexpert med erfarenhet av rekommendatorsystem. Han har mer än 30 vetenskapliga publikationer på ryska och främmande språk, och försvarade sin doktorsavhandling om analys och prognostisering av tidsserier. Utexaminerades från fakulteten för datavetenskap vid National Research University Moscow Power Engineering Institute, där 2008. fick en kandidatexamen, en magisterexamen 2010 och en kandidat för tekniska vetenskaper 2014. Redan innan jag började arbeta med hans avhandling blev jag intresserad av dataanalys och när jag implementerade mitt första betydande projekt gick jag från en vanlig programmerare till chefen för utvecklingsavdelningen. I cirka 10 år undervisade han relaterade discipliner vid National Research University Moscow Power Engineering Institute, och var docent vid avdelningen. Leder datavetenskapsteam som utvecklar projekt inom NLP, RecSys, Time Series och Computer Vision Teacher

Avancerad maskininlärning. AutoML
-Ämne 1. Produktionskod för projektet med exemplet på ett klassificerings-/regressionsproblem, virtuella miljöer, beroendehantering, pypi/gemfury
-Ämne 2. Praktisk lektion - Kodoptimering, parallellisering, multiprocessing, pandaacceleration, Modin för pandor
-Ämne 3. Avancerad dataförbehandling. Kategoriska kodningar
-Ämne 4.Funktionsverktyg - tänker du komma på funktioner åt mig?
-Ämne 5.H2O och TPOT - ska du bygga modeller åt mig?

Produktion
-Ämne 6. Praktisk lektion - Konstruktion av end-to-end pipelines och serialisering av modeller
-Ämne 7.REST-arkitektur: Flask API
-Ämne 8.Docker: Struktur, tillämpning, distribution
-Ämne 9.Kubernetes, containerorkestrering
-Ämne 10. Praktisk lektion om att arbeta i produktion: distribuera Docker till AWS

Tidsföljder
-Ämne 11. Funktionsextraktion. Fourier och Wavelet transformation, Automatic Feature generation - tsfresh
-Ämne 12.Oövervakade tillvägagångssätt: Tidsserieklustring
-Ämne 13.Oövervakade tillvägagångssätt: Tidsseriesegmentering

Rekommendationssystem. Ranking uppgift
-Ämne 14. Rekommendationssystem 1. Explicit feedback
-Ämne 15. Rekommendationssystem 2. Implicit feedback
-Ämne 16. Rankinguppgift - Lära sig rangordna
-Ämne 17. Praktisk lektion om rekommendatorsystem. Överraskning!
-Ämne 18.Frågor och svar

Grafer
-Ämne 19. Introduktion till grafer: grundläggande begrepp. NetworkX, Stellar
-Ämne 20. Grafanalys och tolkning. Gemenskapsupptäckt
-Ämne 21. Länkprediktion och nodklassificering
-Ämne 22. Praktisk lektion: Haters på Twitter

Bayesian Learning, PyMC
-Ämne 23. Introduktion till probabilistisk modellering, a posteriori uppskattningar, provtagning
-Tema 24.Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
-Ämne 25. Bayesian AB-testning
-Ämne 26.Generaliserad linjär modell (GLM) - Bayesianska regressioner, härledning av bakre uppskattningar av koefficienter
-Ämne 27. Praktisk lektion om GLM
-Ämne 28. Bayesianskt förtroendenätverk: praktisk övning
-Ämne 29. Praktisk lektion om logit regression

Förstärkningsinlärning
-Ämne 30.Introduktion till förstärkningsinlärning
-Ämne 31.Multiarmade banditer för optimering av AB-testning, från teori - rakt in i strid
-Ämne 32. Praktisk lektion: Flerarmade banditer inom e-handel: sökoptimering
-Ämne 33.Markovs beslutsprocess, värdefunktion, Bellmans ekvation
-Ämne 34. Värde iteration, Policy iteration
-Ämne 35. Praktisk lektion: medicinskt fall Markov Chain Monte Carlo
-Ämne 36.Temporal Difference (TD) och Q-learning
-Ämne 37.SARSA och praktisk lektion: Financial Case TD och Q-learning
-Ämne 38.Frågor och svar

Projektarbete
-Ämne 39. Samråd om projektet, val av ämne
-Ämne 40.Bonus: Hitta jobb inom datavetenskap
-Ämne 41.Skydd av designarbete

Maskininlärning i praktiken

En inledande praktisk kurs om maskininlärning. Hela cykeln för att bygga en lösning beaktas: från val av initial data (".xlsx-fil") till och med bygga en modell och förklara för slutkunden funktionerna i datan och detaljerna för de mottagna resultat. Teoretiska avsnitt - klassificering, regression, förutsägelser, ensembler - ges i översiktsläge, i den utsträckning som är nödvändig för korrekt konstruktion och förståelse av exemplen som analyseras.

41 500 ₽

Fler detaljer Till kursens hemsida

24 timmar

Tags moln

Miscellanea

Gradering

Visningar

Kommentarer