Maskinelæring. Avanceret - gratis kursus fra Otus, uddannelse 5 måneder, Dato: 4. december 2023.
Miscellanea / / December 08, 2023
Du vil mestre avancerede maskinlæringsteknikker, der giver dig mulighed for at føle dig sikker i at lede mellem-/senior-stillinger og klare selv ikke-standardiserede opgaver.
Du vil udvide dit udvalg af værktøjer til rådighed til arbejdet. Desuden, selv for emner som Bayesianske metoder og forstærkende læring, som normalt udelukkende undervises i teoriform, udvalgte vi rigtige arbejdscases fra vores praksis.
Et separat modul er dedikeret til at arbejde i produktionen: opsætning af miljøet, optimering af kode, opbygning af end-to-end pipelines og implementering af løsninger.
Alsidige projektopgaver
I løbet af kurset vil du udføre flere praktiske opgaver for at konsolidere dine færdigheder om de emner, der er dækket. Hver opgave er et praktisk dataanalyseprojekt, der løser en specifik maskinlæringsapplikation.
Hvem er dette kursus for?
For analytikere, programmører og dataforskere, der praktiserer maskinlæring. Kurset vil hjælpe dig med at udvide dine kompetencer og komme videre på din karrierevej.
Efter at have gennemført kurset vil du være i stand til at:
Opsæt miljøet og skriv produktionskode klar til implementering
Arbejd med AutoML-tilgange og forstå begrænsningerne i deres brug
Forstå og kunne anvende Bayesianske metoder og forstærkende læring på relevante problemstillinger
Løs ikke-standardiserede problemer, der opstår i anbefalingssystemer, tidsserier og grafer
Jeg startede i skolen med en loddekolbe i hænderne. Så var der ZX Spectrum. Jeg gik på universitetet til hovedfag i ingeniørvidenskab. Der er mange interessante ting inden for mekanik, men i 2008 tog interessen for IT overhånd: computer...
Jeg startede i skolen med en loddekolbe i hænderne. Så var der ZX Spectrum. Jeg gik på universitetet til hovedfag i ingeniørvidenskab. Der er mange interessante ting inden for mekanik, men i 2008 tog interessen for IT overhånd: computernetværk -> Delphi -> PHP -> Python. Der har været eksperimenter med andre sprog, men jeg vil gerne skrive på dette sprog. Deltog i projekter til at automatisere forretningsprocesser ved hjælp af neurale netværk (Maxim taxa bestillingsservice), og udvikle informationssystemer inden for medicin. Arbejdede med GIS-systemer og billedbehandling vha. Python. I undervisningen er holdningen: "Hvis nogen ikke kan forklare noget komplekst med enkle ord, betyder det, at de ikke er særlig gode til det endnu." forstår.” Uddannelse: Kurgan University, Institut for Informationssikkerhed og Automatiserede Systemer, Ph.D. Uddannet i 2002 Kurgan State University med en grad i "Multi-purpose bælte- og hjulkøretøjer." I 2005 forsvarede han sin afhandling om trinløse transmissioner. Siden har han været officielt ansat på universitetet (KSU). Lærer
Arbejder som dataanalytiker hos hedgefonden Meson Capital. Engageret i konstruktionen af forskellige modeller, der forudsiger adfærd på aktiemarkedet. Før det brugte jeg mere end 9 år på at løse forretningsproblemer baseret på maskine...
Arbejder som dataanalytiker hos hedgefonden Meson Capital. Engageret i konstruktionen af forskellige modeller, der forudsiger adfærd på aktiemarkedet. Før det brugte han mere end 9 år på at løse forretningsproblemer baseret på maskinlæring i virksomheder som Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, opbygning af modeller for computersyn, naturlig sprogbehandling og tid rækker. Han er gæsteforelæser på MIPT, hvor han underviser i sit eget kursus "Praktisk ML." Valentin afsluttede sin kandidatgrad på MIPT. Hans interesser omfatter implementering og opbygning af infrastruktur til datadrevne løsninger. Lærer
Erfaren udvikler, videnskabsmand og Machine/Deep learning ekspert med erfaring i anbefalingssystemer. Han har mere end 30 videnskabelige publikationer på russisk og fremmedsprog, forsvarede sin ph.d.-afhandling om emnet analyse og...
Erfaren udvikler, videnskabsmand og Machine/Deep learning ekspert med erfaring i anbefalingssystemer. Han har mere end 30 videnskabelige publikationer på russisk og fremmedsprog og forsvarede sin ph.d.-afhandling om analyse og prognose af tidsserier. Uddannet fra fakultetet for datalogi ved National Research University Moscow Power Engineering Institute, hvor han i 2008. modtog en bachelorgrad, en kandidatgrad i 2010 og en kandidat fra teknisk videnskab i 2014. Allerede inden jeg startede arbejdet med hans afhandling, blev jeg interesseret i dataanalyse, og da jeg implementerede mit første betydningsfulde projekt, gik jeg fra en almindelig programmør til leder af udviklingsafdelingen. I omkring 10 år underviste han i relaterede discipliner ved National Research University Moscow Power Engineering Institute, idet han var lektor i afdelingen. Leder Data Science-teams, der udvikler projekter inden for NLP, RecSys, Time Series og Computer Vision Teacher
Avanceret maskinlæring. AutoML
-Emne 1. Projektets produktionskode ved hjælp af eksemplet på et klassifikations-/regressionsproblem, virtuelle miljøer, afhængighedsstyring, pypi/gemfury
-Emne 2. Praktisk lektion - Kodeoptimering, parallelisering, multiprocessing, pandaacceleration, Modin til pandaer
-Emne 3.Avanceret dataforbehandling. Kategoriske kodninger
-Emne 4.Featuretools - vil du komme med funktioner til mig?
-Emne 5.H2O og TPOT - skal du bygge modeller til mig?
Produktion
-Emne 6. Praktisk lektion - Konstruktion af ende-til-ende rørledninger og serialisering af modeller
-Emne 7.REST-arkitektur: Flask API
-Emne 8.Docker: Struktur, applikation, implementering
-Emne 9.Kubernetes, containerorkestrering
-Emne 10. Praktisk lektion om at arbejde i produktion: implementering af Docker til AWS
Tidsserier
-Emne 11. Funktionsudtrækning. Fourier og Wavelet transformation, Automatic Feature generation - tsfresh
-Emne 12.Usupervised tilgange: Tidsserieklynger
-Emne 13.Usupervised tilgange: Tidsseriesegmentering
Anbefalingssystemer. Rangeringsopgave
-Emne 14. Anbefalingssystemer 1. Eksplicit feedback
-Emne 15. Anbefalingssystemer 2. Implicit feedback
-Emne 16. Rangeringsopgave - At lære at rangordne
-Emne 17. Praktisk lektion om anbefalingssystemer. Overraskelse!
-Emne 18.Spørgsmål og svar
Grafer
-Emne 19. Introduktion til grafer: grundlæggende begreber. NetworkX, Stellar
-Emne 20. Grafanalyse og fortolkning. Samfundsdetektion
-Emne 21.Linkforudsigelse og nodeklassificering
-Emne 22. Praktisk lektion: Hatere på Twitter
Bayesian Learning, PyMC
-Emne 23.Introduktion til probabilistisk modellering, a posteriori estimater, prøveudtagning
-Tema 24.Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
-Emne 25. Bayesian AB-test
-Emne 26.Generaliseret lineær model (GLM) - Bayesianske regressioner, udledning af posteriore estimater af koefficienter
-Emne 27. Praktisk lektion om GLM
-Emne 28. Bayesiansk tillidsnetværk: praktisk øvelse
-Emne 29. Praktisk lektion om logit regression
Forstærkende læring
-Emne 30.Introduktion til forstærkningslæring
-Emne 31.Multi-armede banditter til optimering af AB-test, fra teori - lige ind i kamp
-Emne 32. Praktisk lektion: Flerarmede banditter i e-handel: søgeoptimering
-Emne 33.Markov Beslutningsproces, Værdifunktion, Bellman-ligning
-Emne 34.Værdi iteration, politik iteration
-Emne 35. Praktisk lektion: medicinsk case Markov Chain Monte Carlo
-Emne 36.Temporal Difference (TD) og Q-læring
-Emne 37.SARSA og praktisk lektion: Financial Case TD og Q-learning
-Emne 38.Spørgsmål og svar
Projekt arbejde
-Emne 39. Høring om projektet, valg af emne
-Emne 40.Bonus: Find Data Science-job
-Emne 41.Beskyttelse af designarbejde
Et indledende praktisk kursus om maskinlæring. Den fulde cyklus med at bygge en løsning tages i betragtning: fra valg af de oprindelige data (".xlsx-fil") til og med at opbygge en model og forklare slutkunden funktionerne i dataene og detaljerne for de modtagne resultat. Teoretiske afsnit - klassifikation, regression, forudsigelser, ensembler - gives i oversigtstilstand, i det omfang det er nødvendigt for den korrekte konstruktion og forståelse af de analyserede eksempler.
4
41 500 ₽