Maskinlæring. Avansert - gratis kurs fra Otus, opplæring 5 måneder, Dato: 4. desember 2023.
Miscellanea / / December 08, 2023
Du vil mestre avanserte maskinlæringsteknikker som vil tillate deg å føle deg trygg på å lede mellom-/seniorstillinger og takle selv ikke-standardoppgaver.
Du vil utvide ditt utvalg av verktøy tilgjengelig for jobb. Dessuten, selv for emner som Bayesianske metoder og forsterkende læring, som vanligvis undervises utelukkende i form av teori, valgte vi reelle arbeidstilfeller fra våre praksiser.
En egen modul er dedikert til arbeid i produksjon: sette opp miljøet, optimalisere kode, bygge ende-til-ende rørledninger og implementere løsninger.
Allsidige prosjektoppgaver
I løpet av kurset vil du gjennomføre flere praktiske oppgaver for å konsolidere ferdighetene dine på temaene som dekkes. Hver oppgave er et praktisk dataanalyseprosjekt som løser en spesifikk maskinlæringsapplikasjon.
Hvem er dette kurset for?
For analytikere, programmerere og dataforskere som praktiserer maskinlæring. Kurset vil hjelpe deg å utvide dine evner og komme deg videre langs din karrierevei.
Etter å ha fullført kurset vil du kunne:
Sett opp miljøet og skriv produksjonskode klar for implementering
Arbeid med AutoML-tilnærminger og forstå begrensningene i bruken av dem
Forstå og kunne anvende Bayesianske metoder og forsterkende læring på relevante problemstillinger
Løs ikke-standard problemer som oppstår i anbefalingssystemer, tidsserier og grafer
Jeg begynte på skolen med en loddebolt i hendene. Så var det ZX Spectrum. Jeg gikk på universitetet til hovedfag i ingeniørfag. Det er mye interessant innen mekanikk, men i 2008 tok interessen for IT overhånd: datamaskin...
Jeg begynte på skolen med en loddebolt i hendene. Så var det ZX Spectrum. Jeg gikk på universitetet til hovedfag i ingeniørfag. Det er mye interessant innen mekanikk, men i 2008 tok interessen for IT overhånd: datanettverk -> Delphi -> PHP -> Python. Det har vært eksperimenter med andre språk, men jeg vil skrive på dette språket. Deltok i prosjekter for å automatisere forretningsprosesser ved bruk av nevrale nettverk (Maxim taxibestillingstjeneste), og utvikle informasjonssystemer innen medisin. Jobbet med GIS-systemer og bildebehandling ved hjelp av Python. I undervisningen er posisjonen: "Hvis noen ikke kan forklare noe komplekst med enkle ord, betyr det at de ikke er så gode på det ennå." forstår.” Utdanning: Kurgan University, Institutt for sikkerhet for informasjon og automatiserte systemer, Ph.D. Uteksaminert i 2002 Kurgan State University med en grad i "Multi-purpose belte- og hjulkjøretøy." I 2005 disputerte han om kontinuerlig variable transmisjoner. Siden den gang har han vært offisielt ansatt ved universitetet (KSU). Lærer
Jobber som dataanalytiker i hedgefondet Meson Capital. Engasjert i konstruksjon av ulike modeller som forutsier atferd på aksjemarkedet. Før det brukte jeg mer enn 9 år på å løse forretningsproblemer basert på maskin...
Jobber som dataanalytiker i hedgefondet Meson Capital. Engasjert i konstruksjon av ulike modeller som forutsier atferd på aksjemarkedet. Før det brukte han mer enn 9 år på å løse forretningsproblemer basert på maskinlæring i selskaper som Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, bygge modeller for datasyn, naturlig språkbehandling og tid rader. Han er gjesteforeleser ved MIPT, hvor han underviser i sitt eget kurs «Praktisk ML.» Valentin fullførte sin mastergrad ved MIPT. Hans interesser inkluderer implementering og bygging av infrastruktur for datadrevne løsninger. Lærer
Erfaren utvikler, vitenskapsmann og maskin-/dyplæringsekspert med erfaring i anbefalingssystemer. Han har mer enn 30 vitenskapelige publikasjoner på russisk og fremmedspråk, forsvarte sin doktorgradsavhandling om emnet analyse og...
Erfaren utvikler, vitenskapsmann og maskin-/dyplæringsekspert med erfaring i anbefalingssystemer. Han har mer enn 30 vitenskapelige publikasjoner på russisk og fremmedspråk, og forsvarte sin doktorgradsavhandling om analyse og prognoser av tidsserier. Uteksaminert fra fakultetet for informatikk ved National Research University Moscow Power Engineering Institute, hvor i 2008. mottok en bachelorgrad, en mastergrad i 2010, og en kandidat fra tekniske vitenskaper i 2014. Allerede før jeg begynte å jobbe med avhandlingen, ble jeg interessert i dataanalyse, og da jeg implementerte mitt første betydelige prosjekt, gikk jeg fra en vanlig programmerer til leder for utviklingsavdelingen. I omtrent 10 år underviste han relaterte disipliner ved National Research University Moscow Power Engineering Institute, og var førsteamanuensis ved avdelingen. Leder datavitenskapsteam som utvikler prosjekter innen NLP, RecSys, Time Series og Computer Vision Teacher
Avansert maskinlæring. AutoML
-Tema 1. Produksjonskode for prosjektet ved å bruke eksemplet på et klassifiserings-/regresjonsproblem, virtuelle miljøer, avhengighetsstyring, pypi/gemfury
-Tema 2. Praktisk leksjon - Kodeoptimalisering, parallellisering, multiprosessering, pandaakselerasjon, Modin for pandaer
-Tema 3.Avansert dataforbehandling. Kategoriske kodinger
-Emne 4.Featuretools - skal du komme med funksjoner for meg?
-Tema 5.H2O og TPOT - skal du bygge modeller for meg?
Produksjon
-Tema 6. Praktisk leksjon - Bygging av ende-til-ende rørledninger og serialisering av modeller
-Tema 7.REST-arkitektur: Flask API
-Tema 8.Docker: Struktur, applikasjon, distribusjon
-Tema 9.Kubernetes, containerorkestrering
-Tema 10. Praktisk leksjon om arbeid i produksjon: distribusjon av Docker til AWS
Tidsserier
-Tema 11. Funksjonsutvinning. Fourier- og Wavelet-transformasjon, automatisk funksjonsgenerering - tsfresh
-Tema 12.Utilsyn tilnærminger: Tidsserieklynger
-Tema 13.Utilsyn tilnærminger: Tidsseriesegmentering
Anbefaler systemer. Rangeringsoppgave
-Tema 14. Anbefalingssystemer 1. Eksplisitt tilbakemelding
-Tema 15. Anbefalingssystemer 2. Implisitt tilbakemelding
-Tema 16. Rangeringsoppgave - Lære å rangere
-Tema 17. Praktisk leksjon om anbefalingssystemer. Overraskelse!
-Emne 18.Spørsmål og svar
Grafer
-Tema 19. Introduksjon til grafer: grunnleggende begreper. NetworkX, Stellar
-Tema 20. Grafanalyse og tolkning. Fellesskapsdeteksjon
-Emne 21.Linkprediksjon og nodeklassifisering
-Tema 22. Praktisk leksjon: Haters på Twitter
Bayesian Learning, PyMC
-Tema 23.Introduksjon til probabilistisk modellering, a posteriori estimater, prøvetaking
-Tema 24.Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
-Tema 25. Bayesian AB-testing
-Tema 26.Generalisert lineær modell (GLM) - Bayesianske regresjoner, utledning av posteriore estimater av koeffisienter
-Tema 27. Praktisk leksjon om GLM
-Tema 28. Bayesiansk tillitsnettverk: praktisk øvelse
-Tema 29. Praktisk leksjon om logit regresjon
Forsterkende læring
-Tema 30.Introduksjon til forsterkende læring
-Tema 31.Multiarmede banditter for optimalisering av AB-testing, fra teori - rett inn i kamp
-Tema 32. Praktisk leksjon: Flerarmede banditter i e-handel: søkeoptimalisering
-Tema 33.Markov Beslutningsprosess, Verdifunksjon, Bellman-ligning
-Emne 34. Verdi iterasjon, Policy iterasjon
-Tema 35. Praktisk leksjon: medisinsk case Markov Chain Monte Carlo
-Tema 36.Temporal Difference (TD) og Q-læring
-Emne 37.SARSA og praktisk leksjon: Financial Case TD og Q-learning
-Emne 38.Spørsmål og svar
Prosjekt arbeid
-Tema 39. Høring om prosjektet, valg av tema
-Emne 40.Bonus: Finne datavitenskapsjobber
-Tema 41.Beskyttelse av prosjekteringsarbeid
Et innledende praktisk kurs om maskinlæring. Hele syklusen for å bygge en løsning vurderes: fra valg av innledende data (".xlsx-fil") til og med bygge en modell og forklare for sluttkunden egenskapene til dataene og detaljene til de mottatte resultat. Teoretiske seksjoner - klassifisering, regresjon, prediksjoner, ensembler - gis i oversiktsmodus, i den grad det er nødvendig for riktig konstruksjon og forståelse av eksemplene som analyseres.
4
41 500 ₽