Mašininis mokymasis. Profesionalus – nemokami kursai iš Otus, mokymai 5 mėn., Data: 2023 m. gruodžio 2 d.
įvairenybės / / December 05, 2023
Nuosekliai įsisavinsite šiuolaikinius duomenų analizės įrankius ir gebėsite profesionaliai kurti mašininio mokymosi modelius. Norėdami sustiprinti savo įgūdžius su kiekvienu algoritmu, atliksite visą darbą nuo duomenų rinkinio paruošimo iki rezultatų analizės ir pasiruošimo gamybai. Praktikos ir žinių, kurias gausite, pakaks savarankiškai spręsti klasikines ML problemas ir pretenduoti į Junior+ ir Middle Data Scientist pareigas.
Portfelio projektai
Kursų metu atliksite kelis portfolio projektus ir išmoksite kompetentingai pristatyti savo darbo rezultatus, kad galėtumėte praeiti pokalbius. Baigiamajame darbe galite pasirinkti vieną iš mokytojo pasiūlytų variantų arba įgyvendinti savo idėją.
Kam skirtas šis kursas?
Pradedantiesiems analitikams ir duomenų mokslininkams. Kursas padės sisteminti ir pagilinti žinias. Galėsite eksperimentuoti su metodais, analizuoti darbo atvejus ir gauti aukštos kokybės atsiliepimų iš ekspertų.
Kūrėjams ir kitų sričių specialistams, norintiems pakeisti profesiją ir tobulėti duomenų mokslo srityje. Kursas suteiks jums galimybę sukurti tvirtą portfelį ir pasinerti į realaus gyvenimo užduočių atmosferą kaip duomenų mokslininkui.
Norėdami išmokti, jums reikės Python patirties rašant savo funkcijas, taip pat matematinės analizės, tiesinės algebros, tikimybių teorijos ir matematikos žinių. statistika.
Kurso ypatybės
Geriausia praktika ir tendencijos. Kiekvieną kartą paleidžiant, programa atnaujinama, kad atspindėtų sparčiai kintančias duomenų mokslo tendencijas. Po mokymų iškart galėsite pradėti dirbti su realiais projektais.
Svarbūs antriniai įgūdžiai. Į kursą įtrauktos temos, kurios dažniausiai nepastebimos, bet būtinos kasdienių užduočių specialistui ir yra labai vertinamos darbdavių:
— automatinio anomalijų paieškos sistemų kūrimas;
— laiko eilučių prognozavimas naudojant mašininį mokymąsi;
— galutiniai vamzdynai darbui su duomenimis, paruošti diegti gamyboje.
Kūrybiška atmosfera ir tikroms darbo procesams artimos sąlygos. Visas kursas sukurtas kaip kasdienio duomenų mokslininko darbo treniruoklis, su kuriuo teks susidoroti „nešvarius“ duomenis, iš anksto apskaičiuokite savo veiksmus, eksperimentuokite su sprendimais ir ruoškite modelius gamyba Tokiu atveju prireiks smalsumo, užsispyrimo ir naujų potyrių troškulio.
3
kursąDirba duomenų analitiku AGI NLP komandoje Sberbank. Dirba su neuroninių tinklų kalbų modeliais ir jų taikymu sprendžiant realias problemas. Mano, kad darbas duomenų mokslo srityje suteikia unikalų...
Dirba duomenų analitiku AGI NLP komandoje Sberbank. Dirba su neuroninių tinklų kalbų modeliais ir jų taikymu sprendžiant realias problemas. Jis mano, kad darbas duomenų mokslo srityje suteikia unikalią galimybę mokslo pakraštyje daryti beprotiškus šaunius dalykus, kurie keičia pasaulį čia ir dabar. Aukštojoje ekonomikos mokykloje dėsto duomenų analizės, mašininio mokymosi ir duomenų mokslo dalykus. Marija baigė Maskvos valstybinio universiteto Mechanikos ir matematikos fakultetą bei Yandex duomenų analizės mokyklą. Šiuo metu Maria yra Aukštosios ekonomikos mokyklos Kompiuterių fakulteto magistrantė. Jos moksliniai interesai apima tokias duomenų mokslo sritis kaip natūralios kalbos apdorojimas ir temų modeliavimas. Programos vadovas
3
kursąPraktikuojantis mašininį mokymąsi ir duomenų analizę nuo 2012 m. Šiuo metu dirba „WeatherWell“ tyrimų ir plėtros vadovu. Turi patirties praktiškai taikant mašininį mokymąsi žaidimų kūrimo, bankininkystės ir...
Praktikuojantis mašininį mokymąsi ir duomenų analizę nuo 2012 m. Šiuo metu dirba „WeatherWell“ tyrimų ir plėtros vadovu. Turi praktinio mašininio mokymosi taikymo žaidimų kūrimo, bankininkystės ir Health Tech srityse patirties. Jis dėstė mašininį mokymąsi ir duomenų analizę Maskvos valstybinio universiteto Matematinių finansų centre, buvo kviestinis dėstytojas Nacionalinio mokslinių tyrimų universiteto Aukštosios ekonomikos mokyklos Informatikos fakultete ir įvairiose vasaros mokyklose. Išsilavinimas: Ekonomika-matematika REU im. Plekhanovas, Maskvos valstybinio universiteto Centrinis matematikos ir matematikos fakultetas, Aukštosios ekonomikos mokyklos Kompiuterių fakulteto kvalifikacijos kėlimas „Praktinė duomenų analizė ir mašininis mokymasis“, informatikos magistras Aalto Universiteto krūva / pomėgiai: Python, mašininis mokymasis, laiko eilutės, anomalijų aptikimas, atviri duomenys, ML socialiniams tinklams Gerai
Išplėstinė mašininio mokymosi technika
-Tema 1. Įvadinė pamoka. Dar kartą peržiūrėkite pagrindines mašininio mokymosi koncepcijas naudodami praktinį pavyzdį
-Tema 2.Sprendimų medžiai
-3 tema. Python for ML: vamzdynai, pandų pagreitis, kelių apdorojimas
-4 tema.Modelių ansambliai
-5 tema. Gradiento didinimas
-Tema 6.Parama vektorių mašina
-7 tema.Matmenų mažinimo metodai
-8 tema. Mokymasis be mokytojo. K-means, EM algoritmas
-9 tema. Mokymasis be mokytojo. Hierarchinis klasterizavimas. DB-Scan
-10 tema. Duomenų anomalijų radimas
-11 tema. Praktinė pamoka - Vamzdynų tiesimas nuo galo iki galo ir modelių serija
-12 tema.Grafų algoritmai
Duomenų rinkimas. Tekstinių duomenų analizė.
-13 tema.Duomenų rinkimas
-14 tema.Teksto duomenų analizė. 1 dalis: Išankstinis apdorojimas ir atpažinimas
-15 tema.Teksto duomenų analizė. 2 dalis: Žodžių vektoriniai atvaizdai, darbas su iš anksto paruoštais įterpimais
-16 tema.Teksto duomenų analizė. 3 dalis: pavadinto subjekto atpažinimas
-17 tema.Teksto duomenų analizė. 4 dalis: temų modeliavimas
-18 tema. Klausimai ir atsakymai
Laiko eilučių analizė
-19 tema. Laiko eilučių analizė. 1 dalis: Problemos išdėstymas, paprasčiausi metodai. ARIMA modelis
-20 tema. Laiko eilučių analizė. 2 dalis. Mašininio mokymosi modelių funkcijų išgavimas ir taikymas. Automatinis prognozavimas
-21 tema. Laiko eilučių analizė 3 dalis. Laiko eilučių grupavimas (susijusių akcijų kotiruočių paieška)
Rekomendacinės sistemos
-22 tema. Rekomendacinės sistemos. 1 dalis: Problemos išdėstymas, kokybės metrika. Bendradarbiavimo filtravimas. Šaltas startas
-23 tema. Rekomendacinės sistemos. 2 dalis: Turinio filtravimas, hibridiniai metodai. Asociacijos taisyklės
-24 tema. Rekomendacinės sistemos. 3 dalis. Netiesioginis grįžtamasis ryšys
-25 tema. Praktinė rekomendacijų sistemų pamoka. Siurprizas
-26 tema. Klausimai ir atsakymai
Papildomos temos
-27 tema.Kaggle ML treniruotė Nr.1
-28 tema.Kaggle ML treniruotė Nr.2
- Apache Spark tema 29.ML
-30 tema. Duomenų mokslo darbų paieška
Projektinis darbas
-31 tema. Temos parinkimas ir projektinio darbo organizavimas
-32 tema. Projektų ir namų darbų konsultavimas
-33 tema.Projektavimo darbų apsauga