0
visninger
Maskinelæring. Grundlæggende - kursus 52.668 rub. fra Otus, træning 6 måneder, dato 27. februar 2023.
Miscellanea / / November 30, 2023
Du lærer at løse problemer fra rigtige arbejdsprocesser, som oftest tildeles nybegyndere i Data Science. Ved afslutningen af kurset vil du have samlet en portefølje af arbejde, gennemført samtaleforberedelse og karriererådgivning.
Kurset vil give dig det nødvendige grundlag:
Python. Du vil gennemgå det grundlæggende i programmering og lære, hvordan du bruger dette mest relevante sprog i maskinlæringsopgaver.
Matematik. Mestre nøgleafsnit for at forstå de teoretiske grundlag og principper for algoritmer.
Klassiske Machine Learning-modeller. Saml dine datasæt og fuldfør en komplet pipeline af arbejde med dine første modeller.
Kreativ atmosfære:
Under uddannelsen bliver du fordybet i forhold tæt på rigtige arbejdsprocesser. Du bliver nødt til at håndtere beskidte data, tænke fremad, eksperimentere med løsninger og forberede modeller til produktion.
Klassemiljøet opfordrer eleverne til at være nysgerrige, aktivt diskutere og ikke være bange for at begå fejl.
Personlig mentor:
Online sessioner i 40 minutter hver uge;
I starten af din uddannelse får du tildelt en mentor. Ligesom lærere er mentorer eksperter, der arbejder i datavidenskab;
En gang om ugen laver du dit hjemmearbejde, lægger det op på GitHub og aftaler et opkald med din mentor;
Mentoren stifter bekendtskab med din kode på forhånd, så ved mødetidspunktet ved han allerede, hvad han skal være opmærksom på. Du kan også forberede spørgsmål;
Under sessionen vil mentoren kommentere din beslutning. Hvis det er nødvendigt, kan du straks gå til udviklingsmiljøet, foretage ændringer i koden og straks se resultatet.
Efter træning vil du være i stand til at:
Søg stillinger, der kræver juniorkompetencer
Løs reelle forretningsproblemer ved hjælp af maskinlæringsmetoder
Arbejd med Python-biblioteker til Machine Learning
Håndtering af ikke-standardiserede situationer gennem en dyb teoretisk forståelse af, hvordan algoritmer og modeller fungerer
Naviger i forskellige områder af Data Science og vælg værktøjer, der passer til opgaven.
Maria Tikhonova
3
RuteArbejder som dataanalytiker i AGI NLP-teamet i Sberbank. Arbejder på neurale netværkssprogmodeller og deres anvendelse i virkelige problemer. Mener, at arbejdet inden for datavidenskab giver en unik...
Arbejder som dataanalytiker i AGI NLP-teamet i Sberbank. Arbejder på neurale netværkssprogmodeller og deres anvendelse i virkelige problemer. Han mener, at arbejdet inden for Data Science giver en unik mulighed for at lave vanvittigt fede ting på kanten af videnskaben, som ændrer verden her og nu. Underviser i fag i dataanalyse, maskinlæring og datalogi på Handelshøjskolen. Maria dimitterede fra fakultetet for mekanik og matematik ved Moskvas statsuniversitet og Yandex School of Data Analysis. Maria er i dag kandidatstuderende på Handelshøjskolen på Det Datalogiske Fakultet. Hendes forskningsinteresser omfatter datavidenskabelige områder som naturlig sprogbehandling og emnemodellering. Programleder
Dmitry Sergeev
3
RuteHar praktiseret maskinlæring og dataanalyse siden 2012. Arbejder i øjeblikket som Head of R&D hos WeatherWell. Har erfaring med praktisk anvendelse af machine learning i spiludvikling, bank og...
Har praktiseret maskinlæring og dataanalyse siden 2012. Arbejder i øjeblikket som Head of R&D hos WeatherWell. Har erfaring med praktisk anvendelse af machine learning i spiludvikling, bank og Health Tech. Han underviste i maskinlæring og dataanalyse ved Center for Mathematical Finance ved Moscow State University og var gæsteforelæser ved fakultetet for datalogi ved National Research University Higher School of Economics og forskellige sommerskoler. Uddannelse: Økonomi-matematik REU im. Plekhanov, Central Faculty of Mathematics and Mathematics of Moscow State University, avanceret professionel uddannelse fra fakultetet for datalogi ved Higher School of Economics "Praktisk dataanalyse og maskinlæring", MSc Computer Science Aalto University Stack/Interesser: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social godt
Introduktion til Python
-Emne 1. At lære hinanden at kende
-Emne 2. Opsætning af arbejdsmiljø
-Emne 3.Grundlæggende typer og datastrukturer. Flow kontrol
-Emne 4.Arbejde med funktioner og data
-Tema 5.Git, shell
Introduktion til Python. OOP, moduler, databaser
-Emne 6. Fundamentals of OOP
-Emne 7.Avanceret OOP, undtagelser
-Emne 8.Avanceret OOP, fortsat
-Emne 9.Moduler og import
-Emne 10.Tests
-Emne 11.Introduktion til indbyggede moduler
-Emne 12. Filer og netværk
Python Basics til ML
-Emne 13. NumPy Basics
-Emne 14. Grundlæggende om pandaer
-Emne 15.Datavisualisering
Teoretisk minimum for ML: matematik, lineær, statistik
-Emne 16.Matrixer. Grundlæggende koncepter og operationer
-Emne 17.Øv. Matricer
-Emne 18. Differentiering og optimering af funktioner
-Emne 19.Øv. Differentiering og optimering af funktioner
-Emne 20. Algoritmer og beregningsmæssig kompleksitet
-Emne 21.MNC og MSE
-Emne 22.Øv. MNE'er og MSE'er
-Emne 23. Tilfældige variable og deres modellering
-Emne 24.Øv. Tilfældige variable og deres modellering
-Emne 25. Undersøgelse af afhængigheder: nominelle, ordinære og kvantitative størrelser
-Emne 26.Øv. Undersøgelse af afhængigheder: nominelle, ordinære og kvantitative størrelser
-Emne 27.AB test
Grundlæggende maskinlæringsmetoder
-Emne 28.Introduktion til maskinlæring
-Emne 29. Udforskende dataanalyse og forbehandling
-Emne 30. Klassifikationsproblem. Nærmeste nabos metode
-Emne 31.Regressionsproblem. Lineær regression
-Emne 32.Logistisk regression
-Emne 33.Beslutningstræer
-Emne 34. Funktionsteknik og avanceret forbehandling
-Emne 35. Praktisk lektion - at løse Kaggle ved hjælp af alt, hvad vi har lært
Projekt arbejde
-Emne 36. Valg af emne og tilrettelæggelse af projektarbejdet
-Emne 37. Projekthøring
-Emne 38.Projektbeskyttelse
Tilmelding
YOU MIGHT ALSO LIKE
