Машинско учење. Напредни - бесплатни курс од Отуса, обука 5 месеци, Датум: 04.12.2023.

мисцеланеа / by admin / December 08, 2023

click fraud protection

Савладаћете напредне технике машинског учења које ће вам омогућити да се осећате самопоуздано на водећим средњим/вишим позицијама и да се носите чак и са нестандардним задацима.

Проширићете свој асортиман алата доступних за рад. Штавише, чак и за теме као што су Бајесове методе и учење са појачањем, које се обично предају искључиво у форми теорије, одабрали смо стварне радне случајеве из наше праксе.

Посебан модул је посвећен раду у производњи: подешавању окружења, оптимизацији кода, изградњи енд-то-енд цевовода и имплементацији решења.

Разноврсни пројектни задаци
Током курса, урадићете неколико практичних задатака да бисте консолидовали своје вештине о обрађеним темама. Сваки задатак је практичан пројекат анализе података који решава специфичну апликацију за машинско учење.

За кога је овај курс?
За аналитичаре, програмере и научнике података који практикују машинско учење. Курс ће вам помоћи да проширите своје способности и напредујете у каријери.

Након завршетка курса моћи ћете да:
Подесите окружење и напишите производни код спреман за имплементацију

instagram viewer

Радите са АутоМЛ приступима и разумејте ограничења у њиховој употреби
Разумети и бити способан да примени Бајесове методе и учење са појачањем на релевантне проблеме
Решавање нестандардних проблема који се јављају у системима препорука, временским серијама и графиконима

Почео сам у школи са лемилом у рукама. Затим је био ЗКС Спецтрум. Отишао сам на универзитет на диплому инжењера. Има доста занимљивих ствари у механици, али је 2008. преовладало интересовање за ИТ: рачунарске мреже -> Делпхи -> ПХП -> Питхон. Било је експеримената са другим језицима, али ја желим да пишем на овом језику. Учествовао у пројектима за аутоматизацију пословних процеса коришћењем неуронских мрежа (Маким таки сервице ордер) и развој информационих система у медицини. Радио са ГИС системима и обрадом слика користећи Питхон. У настави је став: „Ако неко не може да објасни нешто сложено једноставним речима, то значи да још није баш добар у томе. разуме.” Образовање: Универзитет Курган, Катедра за безбедност информационих и аутоматизованих система, др. Дипломирао 2002 Државни универзитет у Кургану са дипломом „Вишенаменска возила на гусјеницама и точковима.“ Године 2005. одбранио је дисертацију на тему континуално променљиви мењачи. Од тада је званично запослен на универзитету (КСУ). Учитељу

Ради као аналитичар података у хеџ фонду Месон Цапитал. Бави се изградњом разних модела који предвиђају понашање на берзи. Пре тога, провео сам више од 9 година решавајући пословне проблеме засноване на машини...

Ради као аналитичар података у хеџ фонду Месон Цапитал. Бави се изградњом разних модела који предвиђају понашање на берзи. Пре тога, провео је више од 9 година решавајући пословне проблеме засноване на машинском учењу у компанијама попут Алфа банке, СберМегаМаркет, ХомеЦредит, ЛПСУ МИПТ, изградња модела компјутерског вида, обраде природног језика и времена редова. Гостујући је предавач на МИПТ-у, где предаје сопствени курс „Практични МЛ.” Валентин је завршио мастер диплому на МИПТ-у. Његова интересовања укључују имплементацију и изградњу инфраструктуре за решења заснована на подацима. Учитељу

Искусни програмер, научник и стручњак за машинско/дубоко учење са искуством у системима за препоруке. Има више од 30 научних публикација на руском и страним језицима, одбранио докторску тезу на тему анализе и...

Искусни програмер, научник и стручњак за машинско/дубоко учење са искуством у системима за препоруке. Има више од 30 научних публикација на руском и страним језицима, а одбранио је докторску дисертацију о анализи и предвиђању временских серија. Дипломирао на Факултету рачунарских наука Московског националног истраживачког универзитета, где је 2008. дипломирао, магистрирао 2010, а кандидат техничких наука 2014. године. Још пре почетка рада на његовој дисертацији заинтересовао сам се за анализу података и, реализујући свој први значајан пројекат, прошао сам пут од обичног програмера до шефа развојног одељења. Око 10 година предавао је сродне дисциплине на Московском институту за енергетику Националног истраживачког универзитета, као ванредни професор катедре. Води тимове за науку података који развијају пројекте у области НЛП-а, РецСис-а, временских серија и наставника рачунарског вида

Напредно машинско учење. АутоМЛ
-Тема 1.Производни код пројекта на примеру проблема класификације/регресије, Виртуелна окружења, управљање зависностима, пипи/гемфури
-Тема 2. Практична настава - Оптимизација кода, паралелизација, мултипроцесирање, пандас убрзање, Модин за Панде
-Тема 3.Напредна предобрада података. Категорична кодирања
-Тема 4.Феатуретоолс - хоћете ли смислити функције за мене?
-Тема 5.Х2О и ТПОТ - хоћеш ли да ми правиш моделе?

Производња
-Тема 6. Практична настава - Конструкција енд-то-енд цевовода и серијализација модела
-Тема 7. РЕСТ архитектура: Фласк АПИ
-Тема 8.Доцкер: Структура, апликација, имплементација
-Тема 9.Кубернетес, оркестрација контејнера
-Тема 10. Практична настава о раду у продукцији: постављање Доцкер-а на АВС

Временске серије
-Тема 11. Екстракција обележја. Фоуриер и Вавелет трансформација, Аутоматско генерисање карактеристика - тсфресх
-Тема 12. Приступи без надзора: Кластерисање временских серија
-Тема 13. Приступи без надзора: Сегментација временских серија

Системи препорука. Задатак рангирања
-Тема 14. Системи препорука 1. Експлицитне повратне информације
-Тема 15. Системи препорука 2. Имплицитне повратне информације
-Тема 16. Задатак рангирања – Учење рангирања
-Тема 17. Практична настава о системима препоруке. Изненађење!
-Тема 18. Питања и одговори

Графови
-Тема 19. Упознавање са графовима: основни појмови. НетворкКс, Стеллар
-Тема 20. Анализа и интерпретација графикона. Детекција заједнице
-Тема 21.Предвиђање везе и класификација чворова
-Тема 22. Практична настава: Хејтери на Твитеру

Бајесовско учење, ПиМЦ
-Тема 23.Увод у пробабилистичко моделирање, апостериори процене, узорковање
-Тема 24.Марков ланац Монте-Царло (МЦМЦ), Метрополис–Хастингс
-Тема 25. Бајесовско АБ тестирање
-Тема 26.Генерализовани линеарни модел (ГЛМ) - Бајесове регресије, извођење постериорних процена коефицијената
-Тема 27. Практична настава о ГЛМ-у
-Тема 28. Бајесова мрежа поверења: практична вежба
-Тема 29. Практична настава о логит регресији

Учење са појачањем
-Тема 30.Увод у учење са поткрепљивањем
-Тема 31.Вишеруки разбојници за оптимизацију АБ тестирања, из теорије - право у битку
-Тема 32. Практична настава: Вишеоружани разбојници у е-трговини: оптимизација претраге
-Тема 33.Марковљев процес одлучивања, функција вредности, Белманова једначина
-Тема 34. Итерација вредности, Итерација политике
-Тема 35. Практични час: медицински случај Марков ланац Монте Карло
-Тема 36.Темпорална разлика (ТД) и К-учење
-Тема 37.САРСА и практична лекција: Финансијски случај ТД и К-леарнинг
-Тема 38.Питања

Пројектни рад
-Тема 39. Консултације о пројекту, избор теме
-Тема 40.Бонус: Проналажење послова науке о подацима
-Тема 41.Заштита пројектантских радова

Машинско учење у пракси

Уводни практични курс о машинском учењу. Разматран је пун циклус изградње решења: од одабира почетних података (.клск фајла) до грађење модела и објашњавање крајњем купцу особина података и специфичности примљених резултат. Теоријски делови – класификација, регресија, предвиђања, ансамбли – дати су у прегледном режиму, у мери која је неопходна за исправну конструкцију и разумевање примера који се анализирају.

41 500 ₽

Детаљније На веб страницу курса

24 сати

Ознаке облак

мисцеланеа

Рејтинг

Прегледи

Коментари