Mašininis mokymasis. Pažengusiems – nemokami kursai iš Otus, mokymai 5 mėn., Data: 2023 m. gruodžio 4 d.
įvairenybės / / December 08, 2023
Įvaldysite pažangias mašininio mokymosi technologijas, kurios leis jaustis užtikrintai eidamas viduriniojo/vyresniojo lygio pareigas ir susidoroti net su nestandartinėmis užduotimis.
Išplėste savo darbui prieinamų įrankių asortimentą. Be to, net ir tokioms temoms, kaip Bajeso metodai ir mokymasis sustiprinant, kurios paprastai dėstomos tik teorijos forma, iš savo praktikos atrinkome realius darbinius atvejus.
Atskiras modulis skirtas darbui gamyboje: aplinkos sukūrimui, kodo optimizavimui, galutinių vamzdynų kūrimui ir sprendimų diegimui.
Įvairios projektinės užduotys
Kurso metu atliksite keletą praktinių užduočių, kad sustiprintumėte savo įgūdžius nagrinėjamomis temomis. Kiekviena užduotis yra praktinis duomenų analizės projektas, sprendžiantis konkrečią mašininio mokymosi programą.
Kam skirtas šis kursas?
Analitikams, programuotojams ir duomenų mokslininkams, praktikuojantiems mašininį mokymąsi. Kursas padės išplėsti savo galimybes ir judėti toliau savo karjeros keliu.
Baigę kursus galėsite:
Nustatykite aplinką ir parašykite gamybos kodą, paruoštą diegimui
Dirbkite su AutoML metodais ir supraskite jų naudojimo apribojimus
Suprasti ir mokėti pritaikyti Bajeso metodus ir mokymąsi sustiprinant aktualioms problemoms spręsti
Išspręskite nestandartines problemas, kylančias rekomendacijų sistemose, laiko eilutėse ir grafikuose
Pradėjau lankyti mokyklą su lituokliu rankose. Tada buvo ZX Spectrum. Įstojau į universitetą inžinerijos specialybę. Mechanikoje yra daug įdomybių, tačiau 2008 metais domėjimasis IT paėmė viršų: kompiuterių...
Pradėjau lankyti mokyklą su lituokliu rankose. Tada buvo ZX Spectrum. Įstojau į universitetą inžinerijos specialybę. Mechanikoje yra daug įdomių dalykų, bet 2008 metais susidomėjimas IT paėmė viršų: kompiuterių tinklai -> Delphi -> PHP -> Python. Buvo eksperimentų su kitomis kalbomis, bet aš noriu rašyti šia kalba. Dalyvavo verslo procesų automatizavimo, naudojant neuroninius tinklus (Taksi užsakymo paslauga Maxim), ir informacinių sistemų medicinoje kūrimo projektuose. Dirbo su GIS sistemomis ir vaizdų apdorojimu naudojant Python. Mokyme laikomasi tokios pozicijos: „Jei kas nors negali paaiškinti ko nors sudėtingo paprastais žodžiais, vadinasi, jam dar nelabai sekasi“. supranta.“Išsilavinimas: Kurgano universiteto Informacijos ir automatizuotų sistemų saugos katedros mokslų daktaras. Baigė 2002 m Kurgano valstijos universitete įgijo „Daugiafunkcinių vikšrinių ir ratinių transporto priemonių“ laipsnį. 2005 m. jis apgynė disertaciją apie nuolat kintamos transmisijos. Nuo tada jis oficialiai įsidarbino universitete (KSU). Mokytojas
Dirba duomenų analitiku rizikos draudimo fonde „Meson Capital“. Užsiima įvairių modelių, numatančių elgesį akcijų rinkoje, konstravimu. Prieš tai daugiau nei 9 metus praleidau spręsdamas verslo problemas mašinomis...
Dirba duomenų analitiku rizikos draudimo fonde „Meson Capital“. Užsiima įvairių modelių, numatančių elgesį akcijų rinkoje, konstravimu. Prieš tai jis daugiau nei 9 metus sprendė verslo problemas, pagrįstas mašininiu mokymusi tokiose įmonėse kaip Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, kompiuterinio matymo modelių kūrimas, natūralios kalbos apdorojimas ir laikas eilučių. Jis yra kviestinis dėstytojas MIPT, kur dėsto savo kursą „Praktinis ML“. Valentinas baigė magistro studijas MIPT. Jo interesai apima duomenų valdomų sprendimų infrastruktūros diegimą ir kūrimą. Mokytojas
Patyręs kūrėjas, mokslininkas ir mašinų / giluminio mokymosi ekspertas, turintis patirties rekomenduojamų sistemų srityje. Turi daugiau nei 30 mokslinių publikacijų rusų ir užsienio kalbomis, apgynė daktaro disertaciją analizės tema ir...
Patyręs kūrėjas, mokslininkas ir mašinų / giluminio mokymosi ekspertas, turintis patirties rekomenduojamų sistemų srityje. Jis turi daugiau nei 30 mokslinių publikacijų rusų ir užsienio kalbomis, apgynė daktaro disertaciją apie laiko eilučių analizę ir prognozavimą. Baigė Nacionalinio mokslinių tyrimų universiteto Maskvos energetikos instituto Informatikos fakultetą, kuriame 2008 m. įgijo bakalauro, 2010 m. magistro, o 2014 m. – technikos mokslų kandidato laipsnius. Dar prieš pradėdamas dirbti su jo disertacija susidomėjau duomenų analize ir, įgyvendindamas pirmąjį reikšmingą projektą, iš paprasto programuotojo tapau kūrimo skyriaus vadovu. Apie 10 metų jis dėstė susijusias disciplinas Nacionaliniame mokslinių tyrimų universitete Maskvos energetikos institute, būdamas katedros docentu. Vadovauja duomenų mokslo komandoms, kuriančiose projektus NLP, RecSys, laiko eilučių ir kompiuterių vizijos mokytojo srityse.
Išplėstinis mašininis mokymasis. AutoML
-Tema 1.Projekto gamybos kodas, naudojant klasifikavimo/regresijos problemos pavyzdį, Virtualios aplinkos, priklausomybės valdymas, pypi/gemfury
-Tema 2. Praktinė pamoka - Kodo optimizavimas, lygiagretinimas, kelių apdorojimas, pandų pagreitinimas, Modinas pandoms
-3 tema. Išplėstinis išankstinis duomenų apdorojimas. Kategorinės koduotės
– 4 tema. Funkcijų įrankiai – ar sugalvosite man funkcijų?
-Tema 5.H2O ir TPOT - ar tu man sukursi modelius?
Gamyba
-6 tema. Praktinė pamoka - Vamzdynų tiesimas ir modelių serija
-7 tema. REST architektūra: Flask API
-8 tema. „Docker“: struktūra, taikymas, diegimas
-9 tema.Kubernetes, konteinerių orkestruotė
-10 tema. Praktinė pamoka apie darbą gamyboje: Docker diegimas į AWS
Laiko eilutės
-11 tema. Funkcijų ištraukimas. Furjė ir bangų transformacija, automatinis funkcijų generavimas – tsfresh
-12 tema. Neprižiūrimi metodai: laiko eilučių klasterizavimas
-13 tema. Neprižiūrimi metodai: laiko eilučių segmentavimas
Rekomendacinės sistemos. Reitingavimo užduotis
-14 tema. Rekomendavimo sistemos 1. Aiškus atsiliepimas
-15 tema. Rekomendavimo sistemos 2. Netiesioginis grįžtamasis ryšys
-16 tema. Reitingavimo užduotis - Mokymasis reitinguoti
-17 tema. Praktinė rekomendacijų sistemų pamoka. Siurprizas!
-18 tema. Klausimai ir atsakymai
Grafikai
-19 tema. Įvadas į grafikus: pagrindinės sąvokos. NetworkX, žvaigždžių
-20 tema. Grafų analizė ir interpretavimas. Bendruomenės aptikimas
-21 tema. Nuorodų numatymas ir mazgų klasifikacija
-22 tema. Praktinė pamoka: Haters on Twitter
Bajeso mokymasis, PyMC
-23 tema. Įvadas į tikimybinį modeliavimą, a posteriori įverčius, atranką
-24 tema.Markovo grandinė Monte Karlas (MCMC), Metropolis–Hastingsas
-25 tema. Bayesian AB testavimas
-26 tema.Apibendrintas tiesinis modelis (GLM) - Bajeso regresijos, užpakalinių koeficientų įverčių išvedimas
-27 tema. Praktinė pamoka apie GLM
-28 tema. Bajeso pasitikėjimo tinklas: praktinis užsiėmimas
-29 tema. Praktinė logit regresijos pamoka
Sustiprinimo mokymasis
-30 tema. Įvadas į stiprinimo mokymąsi
-31 tema. Daugiarankiai banditai, skirti optimizuoti AB testavimą, nuo teorijos - tiesiai į mūšį
-32 tema. Praktinė pamoka: Daugiarankiai banditai elektroninėje prekyboje: paieškos optimizavimas
-33 tema. Markovo sprendimo procesas, reikšmės funkcija, Belmano lygtis
-34 tema. Vertės iteracija, politikos iteracija
-35 tema. Praktinė pamoka: medicininė byla Markov Chain Monte Carlo
-36 tema. Laiko skirtumas (TD) ir Q mokymasis
-37 tema. SARSA ir praktinė pamoka: finansinio atvejo TD ir Q mokymasis
-38 tema. Klausimai ir atsakymai
Projektinis darbas
-39 tema. Projekto konsultavimas, temos pasirinkimas
-40 tema. Premija: duomenų mokslo darbų paieška
-41 tema.Projektavimo darbų apsauga
Įvadinis praktinis mašininio mokymosi kursas. Aptariamas visas sprendimo kūrimo ciklas: nuo pradinių duomenų (.xlsx failo) pasirinkimo iki sukurti modelį ir paaiškinti galutiniam klientui duomenų ypatybes ir gaunamų duomenų specifiką rezultatas. Teorinės dalys – klasifikacija, regresija, prognozės, ansambliai – pateikiamos apžvalgos režimu, tiek, kiek tai būtina norint teisingai sukonstruoti ir suprasti analizuojamus pavyzdžius.
4
41 500 ₽