Maskinlæring. Profesjonelt - gratis kurs fra Otus, opplæring 5 måneder, Dato: 2. desember 2023.
Miscellanea / / December 05, 2023
Du vil konsekvent mestre moderne dataanalyseverktøy og kunne lage maskinlæringsmodeller på et profesjonelt nivå. For å konsolidere ferdighetene dine med hver algoritme, vil du utføre en full pipeline med arbeid fra å forberede datasettet til å analysere resultatene og forberede for produksjon. Praksisen og kunnskapen du vil motta vil være nok til å selvstendig løse klassiske ML-problemer og søke på Junior+ og Middle Data Scientist-stillinger.
Porteføljeprosjekter
I løpet av kurset vil du fullføre flere porteføljeprosjekter og lære hvordan du kompetent presenterer resultatene av arbeidet ditt for å bestå intervjuer. For sluttprosjektet ditt kan du ta et av alternativene foreslått av læreren eller implementere din egen idé.
Hvem er dette kurset for?
For begynnende analytikere og dataforskere. Kurset vil hjelpe deg med å systematisere og utdype kunnskapen din. Du vil kunne eksperimentere med tilnærminger, analysere arbeidssaker og motta tilbakemeldinger av høy kvalitet fra eksperter.
For utviklere og spesialister innen andre områder som ønsker å endre yrke og utvikle seg innen datavitenskap. Kurset vil gi deg muligheten til å bygge en sterk portefølje og fordype deg i atmosfæren av virkelige oppgaver som dataforsker.
For å lære trenger du Python-erfaring på nivå med å skrive dine egne funksjoner, samt kunnskap om matematisk analyse, lineær algebra, sannsynlighetsteori og matematikk. statistikk.
Kursfunksjoner
Beste praksis og trender. Hver lansering oppdateres programmet for å gjenspeile raskt skiftende trender innen datavitenskap. Etter opplæring vil du umiddelbart kunne begynne å jobbe med virkelige prosjekter.
Viktige sekundære ferdigheter. Kurset inneholder emner som vanligvis overses, men som er nødvendige for en spesialist i dagligdagse gjøremål og som er høyt verdsatt av arbeidsgivere:
— byggesystemer for automatisk søk etter uregelmessigheter;
— prognoser for tidsserier ved hjelp av maskinlæring;
— ende-til-ende rørledninger for arbeid med data, klare for implementering i produksjon.
Kreativ atmosfære og forhold nær reelle arbeidsprosesser. Hele kurset er bygget som en simulator av hverdagen til en dataforsker, hvor du må takle "skitne" data, beregn handlingene dine på forhånd, eksperimenter med løsninger og klargjør modeller i produksjon I dette tilfellet trenger du nysgjerrighet, utholdenhet og en tørst etter nye opplevelser.
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
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
Avanserte maskinlæringsteknikker
-Tema 1. Innledende leksjon. Gå tilbake til grunnleggende maskinlæringskonsepter med et praktisk eksempel
-Tema 2.Beslutningstrær
-Tema 3.Python for ML: rørledninger, pandaakselerasjon, multiprosessering
-Tema 4. Modellensembler
-Tema 5. Gradientforsterkning
-Tema 6.Support vektor maskin
-Tema 7.Dimensjonsreduksjonsmetoder
-Tema 8. Læring uten lærer. K-betyr, EM-algoritme
-Tema 9. Læring uten lærer. Hierarkisk klynging. DB-Scan
-Tema 10. Finne anomalier i data
-Tema 11. Praktisk leksjon - Bygging av ende-til-ende rørledninger og serialisering av modeller
-Tema 12. Algoritmer på grafer
Datainnsamling. Analyse av tekstdata.
-Tema 13.Datainnsamling
-Tema 14.Analyse av tekstdata. Del 1: Forbehandling og tokenisering
-Tema 15.Analyse av tekstdata. Del 2: Vektorrepresentasjoner av ord, arbeid med forhåndstrente innebygginger
-Tema 16.Analyse av tekstdata. Del 3: Anerkjennelse av navngitt enhet
-Tema 17.Analyse av tekstdata. Del 4: Temamodellering
-Emne 18.Spørsmål og svar
Tidsserieanalyse
-Tema 19. Tidsserieanalyse. Del 1: Forklaring av problemet, enkleste metoder. ARIMA modell
-Tema 20. Tidsserieanalyse. Del 2: Funksjonsutvinning og bruk av maskinlæringsmodeller. Automatisk prognose
-Tema 21. Tidsserieanalyse Del 3: Gruppering av tidsserier (ser etter relaterte aksjekurser)
Anbefaler systemer
-Tema 22. Anbefalingssystemer. Del 1: Redegjørelse av problemet, kvalitetsmålinger. Samarbeidsfiltrering. Kald start
-Tema 23. Anbefalingssystemer. Del 2: Innholdsfiltrering, hybride tilnærminger. Foreningens regler
-Tema 24. Anbefalingssystemer. Del 3: Implisitt tilbakemelding
-Tema 25. Praktisk leksjon om anbefalingssystemer. Overraskelse
-Emne 26.Spørsmål og svar
Ytterligere emner
-Tema 27.Kaggle ML trening nr. 1
-Tema 28.Kaggle ML trening nr. 2
-Tema 29.ML i Apache Spark
-Emne 30.Søker etter Data Science-jobber
Prosjekt arbeid
-Tema 31. Valg av tema og organisering av prosjektarbeid
-Tema 32. Høring om prosjekter og lekser
-Tema 33.Beskyttelse av prosjekteringsarbeid