Машинско учење. Основни - курс 52.668 руб. из Отуса, обука 6 месеци, датум 27.02.2023.
мисцеланеа / / November 30, 2023
Научићете да решавате проблеме из стварних радних процеса, који се најчешће додељују почетницима у области науке о подацима. До краја курса, сакупићете портфолио послова, завршите припрему за интервју и каријерно саветовање.
Курс ће вам дати неопходну основу:
Питхон. Проћи ћете кроз основе програмирања и научити како да користите овај најрелевантнији језик у задацима машинског учења.
Математика. Савладајте кључне одељке да бисте разумели теоријске основе и принципе алгоритама.
Класични модели машинског учења. Прикупите своје скупове података и довршите читав низ послова са својим првим моделима.
Креативна атмосфера:
Током обуке бићете уроњени у услове блиске стварним радним процесима. Мораћете да се бавите прљавим подацима, размишљате унапред, експериментишете са решењима и припремате моделе за производњу.
Окружење у учионици подстиче ученике да буду радознали, да активно дискутују и да се не плаше грешке.
Лични ментор:
Онлине сесије по 40 минута сваке недеље;
На почетку ваше обуке додељује вам се ментор. Као и наставници, ментори су стручњаци који раде у науци о подацима;
Једном недељно радите свој домаћи задатак, поставите га на ГитХуб и договорите позив са својим ментором;
Ментор се унапред упознаје са вашим кодом, тако да до састанка већ зна на шта треба обратити пажњу. Такође можете припремити питања;
Током сесије, ментор ће коментарисати вашу одлуку. Ако је потребно, можете одмах отићи у развојно окружење, извршити промене у коду и одмах видети резултат.
Након обуке моћи ћете да:
Пријавите се за позиције које захтевају јуниорске компетенције
Решите стварне пословне проблеме користећи методе машинског учења
Радите са Питхон библиотекама за машинско учење
Суочавање са нестандардним ситуацијама кроз дубоко теоријско разумевање како алгоритми и модели функционишу
Крећите се у различитим областима науке о подацима и изаберите алате погодне за задатак.
3
наравноРади као аналитичар података у АГИ НЛП тиму у Сбербанци. Ради на језичким моделима неуронских мрежа и њиховој примени у проблемима из стварног живота. Верује да рад у области науке о подацима пружа јединствену...
Ради као аналитичар података у АГИ НЛП тиму у Сбербанци. Ради на језичким моделима неуронских мрежа и њиховој примени у проблемима из стварног живота. Он верује да рад у области науке о подацима пружа јединствену прилику да се раде луде кул ствари на ивици науке које мењају свет овде и сада. Предаје предмете из анализе података, машинског учења и науке о подацима на Вишој економској школи. Марија је дипломирала на Механичко-математичком факултету Московског државног универзитета и на Иандек школи за анализу података. Марија је тренутно апсолвент на Вишој економској школи на Рачунарском факултету. Њена истраживачка интересовања обухватају области науке о подацима као што су обрада природног језика и моделирање тема. Програм менаџер
3
наравноБави се машинским учењем и анализом података од 2012. Тренутно ради као шеф истраживања и развоја у ВеатхерВелл-у. Има искуства у практичној примени машинског учења у развоју игара, банкарству и...
Бави се машинским учењем и анализом података од 2012. Тренутно ради као шеф истраживања и развоја у ВеатхерВелл-у. Има искуство у практичној примени машинског учења у развоју игара, банкарству и Хеалтх Тецх. Предавао је машинско учење и анализу података у Центру за математичке финансије Московског државног универзитета, а био је и гостујући предавач на Факултету рачунарских наука Више школе економије Националног истраживачког универзитета и разним летњим школама. Образовање: Економско-математички РЕУ им. Плеханов, Централни математичко-математички факултет Московског државног универзитета, напредна стручна обука Рачунарског факултета Више економске школе „Практична анализа података и машинско учење“, мр рачунарства Аалто Универзитетска група/интересовања: Питхон, машинско учење, временске серије, откривање аномалија, отворени подаци, МЛ за друштвене мреже Добро
Увод у Питхон
-Тема 1.Упознавање
-Тема 2. Постављање радног окружења
-Тема 3.Основни типови и структуре података. Контрола протока
-Тема 4.Рад са функцијама и подацима
-Тема 5.Гит, шкољка
Увод у Питхон. ООП, модули, базе података
-Тема 6. Основи ООП-а
-Тема 7.Напредни ООП, изузеци
-Тема 8.Напредни ООП, наставак
-Тема 9.Модули и увози
-Тема 10.Тестови
-Тема 11.Упознавање са уграђеним модулима
-Тема 12. Фајлови и мрежа
Основе Питхона за МЛ
-Тема 13. Основе НумПи
-Тема 14. Основе панда
-Тема 15.Визуелизација података
Теоријски минимум за МЛ: математика, линеарна, статистика
-Тема 16.Матрице. Основни концепти и операције
-Тема 17.Вежбање. Матрице
-Тема 18. Диференцијација и оптимизација функција
-Тема 19.Вежбање. Диференцијација и оптимизација функција
-Тема 20. Алгоритми и рачунска сложеност
-Тема 21.МНЦ и МСЕ
-Тема 22.Вежбање. МНЕ и МСП
-Тема 23. Случајне променљиве и њихово моделовање
-Тема 24.Вежбање. Случајне променљиве и њихово моделовање
-Тема 25. Проучавање зависности: називне, редне и квантитативне величине.
-Тема 26.Вежбање. Проучавање зависности: називне, редне и квантитативне величине
-Тема 27.АБ тестирање
Основне методе машинског учења
-Тема 28.Увод у машинско учење
-Тема 29.Истражна анализа и претходна обрада података
-Тема 30. Проблем класификације. Метода најближих суседа
-Тема 31.Задатак регресије. Линеарна регресија
-Тема 32.Логистичка регресија
-Тема 33.Стабла одлучивања
-Тема 34. Инжењеринг карактеристика и напредна претпроцесирање
-Тема 35. Практична лекција - решавање Каггле-а користећи све што смо научили
Пројектни рад
-Тема 36. Избор теме и организација рада на пројекту
-Тема 37. Пројектне консултације
-Тема 38.Заштита пројекта