0
Visninger
Maskinlæring. Grunnleggende - kurs 52 668 gni. fra Otus, trening 6 måneder, dato 27. februar 2023.
Miscellanea / / November 30, 2023
Du vil lære å løse problemer fra reelle arbeidsprosesser, som oftest tildeles nybegynnere i datavitenskap. Ved slutten av kurset vil du ha samlet en portefølje av arbeid, gjennomført intervjuforberedelse og karriereveiledning.
Kurset vil gi deg det nødvendige grunnlaget:
Python. Du vil gå gjennom det grunnleggende om programmering og lære hvordan du bruker dette mest relevante språket i maskinlæringsoppgaver.
Matematikk. Mestre nøkkelseksjoner for å forstå det teoretiske grunnlaget og prinsippene for algoritmer.
Klassiske maskinlæringsmodeller. Samle datasettene dine og fullfør en komplett pipeline av arbeid med dine første modeller.
Kreativ atmosfære:
Under opplæringen vil du bli fordypet i forhold nær reelle arbeidsprosesser. Du må forholde deg til skitne data, tenke fremover, eksperimentere med løsninger og forberede modeller for produksjon.
Klassemiljøet oppmuntrer elevene til å være nysgjerrige, aktivt diskutere og ikke være redde for å gjøre feil.
Personlig mentor:
Online økter i 40 minutter hver uke;
I begynnelsen av opplæringen får du tildelt en mentor. I likhet med lærere er mentorer eksperter som jobber innen datavitenskap;
En gang i uken gjør du leksene dine, legger dem ut på GitHub og avtaler en samtale med mentoren din;
Mentoren blir kjent med koden din på forhånd, så ved møtet vet han allerede hva han skal være oppmerksom på. Du kan også forberede spørsmål;
Under økten vil mentoren kommentere avgjørelsen din. Om nødvendig kan du umiddelbart gå til utviklingsmiljøet, gjøre endringer i koden og umiddelbart se resultatet.
Etter trening vil du kunne:
Søk på stillinger som krever juniorkompetanse
Løs reelle forretningsproblemer ved hjelp av maskinlæringsmetoder
Arbeid med Python-biblioteker for maskinlæring
Mestring av ikke-standardiserte situasjoner gjennom en dyp teoretisk forståelse av hvordan algoritmer og modeller fungerer
Naviger i ulike områder av datavitenskap og velg verktøy som passer for oppgaven.
Maria Tikhonova
3
kursJobber som dataanalytiker i AGI NLP-teamet i Sberbank. Fungerer med nevrale nettverksspråkmodeller og deres anvendelse i virkelige problemer. Mener at det å jobbe innen datavitenskap gir en unik...
Jobber som dataanalytiker i AGI NLP-teamet i Sberbank. Fungerer med nevrale nettverksspråkmodeller og deres anvendelse i virkelige problemer. Han mener at det å jobbe innen datavitenskap gir en unik mulighet til å gjøre vanvittig kule ting på kanten av vitenskapen som forandrer verden her og nå. Underviser i emner i dataanalyse, maskinlæring og datavitenskap ved Handelshøyskolen. Maria ble uteksaminert fra fakultetet for mekanikk og matematikk ved Moscow State University og Yandex School of Data Analysis. Maria er for tiden hovedfagsstudent ved Higher School of Economics ved Fakultet for informatikk. Hennes forskningsinteresser inkluderer datavitenskapelige områder som naturlig språkbehandling og emnemodellering. Programleder
Dmitrij Sergeev
3
kursHar praktisert maskinlæring og dataanalyse siden 2012. Jobber for tiden som FoU-sjef i WeatherWell. Har erfaring med praktisk anvendelse av maskinlæring innen spillutvikling, bank og...
Har praktisert maskinlæring og dataanalyse siden 2012. Jobber for tiden som FoU-sjef i WeatherWell. Har erfaring med praktisk anvendelse av maskinlæring innen spillutvikling, bank og Health Tech. Han underviste i maskinlæring og dataanalyse ved Center for Mathematical Finance ved Moscow State University, og var gjesteforeleser ved Fakultet for informatikk ved National Research University Higher School of Economics og forskjellige sommerskoler. Utdanning: Økonomi-matematikk REU im. Plekhanov, det sentrale fakultetet for matematikk og matematikk ved Moskva statsuniversitet, avansert faglig opplæring ved fakultetet for informatikk ved Higher School of Economics "Praktisk dataanalyse og maskinlæring", MSc Computer Science Aalto University Stack/Interests: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social flink
Introduksjon til Python
-Tema 1.Bli kjent med hverandre
-Tema 2. Sette opp arbeidsmiljøet
-Tema 3.Grunnleggende typer og datastrukturer. Flytkontroll
-Tema 4. Arbeide med funksjoner og data
-Tema 5.Git, shell
Introduksjon til Python. OOP, moduler, databaser
-Tema 6. Grunnleggende om OOP
-Tema 7. Avansert OOP, unntak
-Tema 8. Avansert OOP, fortsettelse
-Tema 9.Moduler og import
-Tema 10.Tester
-Tema 11.Introduksjon til innebygde moduler
-Tema 12. Filer og nettverk
Python Basics for ML
-Emne 13. Grunnleggende om NumPy
-Emne 14. Grunnleggende om pandaer
-Tema 15.Datavisualisering
Teoretisk minimum for ML: matematikk, lineær, statistikk
-Tema 16.Matriser. Grunnleggende konsepter og operasjoner
-Tema 17.Øv. Matriser
-Tema 18. Differensiering og optimalisering av funksjoner
-Tema 19.Øv. Differensiering og optimalisering av funksjoner
-Tema 20. Algoritmer og beregningsmessig kompleksitet
-Tema 21.MNC og MSE
-Tema 22.Øv. MNE og MSE
-Tema 23. Tilfeldige variabler og deres modellering
-Tema 24.Øv. Tilfeldige variabler og deres modellering
-Tema 25. Studie av avhengigheter: nominelle, ordinære og kvantitative størrelser
-Tema 26.Øv. Studie av avhengigheter: nominelle, ordinære og kvantitative størrelser
-Tema 27.AB-testing
Grunnleggende maskinlæringsmetoder
-Tema 28.Introduksjon til maskinlæring
-Tema 29.Utforskende dataanalyse og forbehandling
-Tema 30. Klassifikasjonsproblem. Nærmeste nabo metode
-Tema 31.Regresjonsproblem. Lineær regresjon
-Tema 32.Logistisk regresjon
-Tema 33.Beslutningstrær
-Emne 34. Funksjonsteknikk og avansert forbehandling
-Tema 35. Praktisk leksjon - løse Kaggle ved å bruke alt vi har lært
Prosjekt arbeid
-Tema 36. Valg av tema og organisering av prosjektarbeid
-Tema 37. Prosjektkonsultasjon
-Tema 38.Prosjektbeskyttelse
Abonnere
YOU MIGHT ALSO LIKE
