Maskinelæring. Professionelt - gratis kursus fra Otus, uddannelse 5 måneder, Dato: 2. december 2023.

Miscellanea / by admin / December 05, 2023

click fraud protection

Du vil konsekvent mestre moderne dataanalyseværktøjer og være i stand til at skabe machine learning-modeller på professionelt niveau. For at konsolidere dine færdigheder med hver algoritme, vil du udføre en komplet pipeline af arbejde fra forberedelse af datasættet til analyse af resultaterne og forberedelse til produktion. Den praksis og viden, du vil modtage, vil være nok til selvstændigt at løse klassiske ML-problemer og søge Junior+ og Middle Data Scientist-stillinger.

Porteføljeprojekter

I løbet af kurset vil du gennemføre flere porteføljeprojekter og lære, hvordan du kompetent præsenterer resultaterne af dit arbejde for at bestå interviews. Til dit afsluttende projekt kan du tage en af mulighederne foreslået af læreren eller implementere din egen idé.

Hvem er dette kursus for?

For begyndere analytikere og dataforskere. Kurset hjælper dig med at systematisere og uddybe din viden. Du vil være i stand til at eksperimentere med tilgange, analysere arbejdscases og modtage feedback af høj kvalitet fra eksperter.

instagram viewer

For udviklere og specialister inden for andre områder, der ønsker at ændre deres erhverv og udvikle sig inden for Data Science. Kurset vil give dig mulighed for at opbygge en stærk portefølje og fordybe dig i atmosfæren af virkelige opgaver som data scientist.

For at lære skal du have Python-erfaring på niveau med at skrive dine egne funktioner, samt viden om matematisk analyse, lineær algebra, sandsynlighedsteori og matematik. Statistikker.

Kursusfunktioner

Bedste praksis og trends. Hver lancering opdateres programmet for at afspejle hurtigt skiftende tendenser inden for datavidenskab. Efter uddannelsen vil du straks kunne begynde at arbejde på rigtige projekter.

Vigtige sekundære færdigheder. Kurset indeholder emner, der normalt overses, men som er nødvendige for en specialist i daglige opgaver, og som er højt værdsat af arbejdsgivere:
— byggesystemer til automatisk søgning efter uregelmæssigheder;
— forudsigelse af tidsserier ved hjælp af maskinlæring;
— end-to-end pipelines til arbejde med data, klar til implementering i produktionen.

Kreativ atmosfære og betingelser tæt på rigtige arbejdsprocesser. Hele kurset er bygget som en simulator af en datascientists hverdag, hvor du skal klare "beskidte" data, beregn dine handlinger på forhånd, eksperimenter med løsninger og forbered modeller i produktion I dette tilfælde har du brug for nysgerrighed, vedholdenhed og en tørst efter nye oplevelser.

Maria Tikhonova

Rute

Arbejder 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

Rute

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...

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

Avancerede maskinlæringsteknikker
-Emne 1. Indledende lektion. Gense grundlæggende maskinlæringskoncepter med et praktisk eksempel
-Emne 2.Beslutningstræer
-Tema 3.Python til ML: rørledninger, pandaacceleration, multiprocessing
-Emne 4. Modelensembler
-Emne 5.Gradient boosting
-Emne 6.Support vektor maskine
-Emne 7. Metoder til reduktion af dimensionalitet
-Emne 8. Læring uden lærer. K-betyder, EM-algoritme
-Emne 9. Læring uden lærer. Hierarkisk klyngedannelse. DB-Scan
-Emne 10. Finde anomalier i data
-Emne 11. Praktisk lektion - Konstruktion af ende-til-ende rørledninger og serialisering af modeller
-Emne 12. Algoritmer på grafer

Dataindsamling. Analyse af tekstdata.
-Emne 13.Dataindsamling
-Emne 14.Analyse af tekstdata. Del 1: Forbehandling og tokenisering
-Emne 15.Analyse af tekstdata. Del 2: Vektorrepræsentationer af ord, arbejde med præ-trænede indlejringer
-Emne 16.Analyse af tekstdata. Del 3: Anerkendelse af navngivet enhed
-Emne 17.Analyse af tekstdata. Del 4: Emnemodellering
-Emne 18.Spørgsmål og svar

Tidsserieanalyse
-Emne 19. Tidsserieanalyse. Del 1: Problemformulering, simpleste metoder. ARIMA model
-Emne 20. Tidsserieanalyse. Del 2: Funktionsudtræk og anvendelse af maskinlæringsmodeller. Automatisk prognose
-Emne 21. Tidsserieanalyse Del 3: Klynger af tidsserier (søger efter relaterede aktiekurser)

Anbefalingssystemer
-Emne 22. Anbefalingssystemer. Del 1: Redegørelse af problemet, kvalitetsmålinger. Samarbejdsfiltrering. Kold start
-Emne 23. Anbefalingssystemer. Del 2: Indholdsfiltrering, hybride tilgange. Foreningens regler
-Emne 24. Anbefalingssystemer. Del 3: Implicit feedback
-Emne 25. Praktisk lektion om anbefalingssystemer. Overraskelse
-Emne 26.Spørgsmål og svar

Yderligere emner
-Emne 27.Kaggle ML træning nr. 1
-Emne 28.Kaggle ML træning nr. 2
-Emne 29.ML i Apache Spark
-Emne 30.Søger efter Data Science job

Projekt arbejde
-Emne 31. Valg af emne og tilrettelæggelse af projektarbejdet
-Emne 32. Høring om projekter og lektier
-Emne 33.Beskyttelse af designarbejde

Tags sky

Miscellanea

bedømmelse

visninger

Kommentarer