Strojové učenie. Pokročilý - bezplatný kurz od Otus, školenie 5 mesiacov, Termín: 4.12.2023.

Rôzne / by admin / December 08, 2023

click fraud protection

Osvojíte si pokročilé techniky strojového učenia, ktoré vám umožnia cítiť istotu na vedúcich pozíciách Middle/Senior a vyrovnať sa aj s neštandardnými úlohami.

Rozšírite si škálu dostupných nástrojov pre prácu. Navyše, aj pre témy ako Bayesovské metódy a posilňovacie učenie, ktoré sa zvyčajne vyučujú výlučne vo forme teórie, sme vybrali reálne pracovné prípady z našej praxe.

Samostatný modul je venovaný práci vo výrobe: nastavenie prostredia, optimalizácia kódu, budovanie end-to-end pipeline a implementácia riešení.

Všestranné zadania projektov
Počas kurzu splníte niekoľko praktických zadaní, aby ste si upevnili svoje zručnosti na preberané témy. Každá úloha je praktickým projektom analýzy údajov, ktorý rieši konkrétnu aplikáciu strojového učenia.

Pre koho je tento kurz určený?
Pre analytikov, programátorov a dátových vedcov praktizujúcich strojové učenie. Kurz vám pomôže rozšíriť vaše schopnosti a posunúť sa ďalej na vašej kariére.

Po absolvovaní kurzu budete vedieť:
Nastavte prostredie a napíšte produkčný kód pripravený na implementáciu

instagram viewer

Pracujte s prístupmi AutoML a pochopte obmedzenia pri ich používaní
Pochopiť a byť schopný aplikovať Bayesovské metódy a posilňovacie učenie na relevantné problémy
Riešiť neštandardné problémy vznikajúce v odporúčacích systémoch, časových radoch a grafoch

V škole som začínal so spájkovačkou v rukách. Potom tu bolo ZX Spectrum. Išiel som na univerzitu so zameraním na inžinierstvo. V mechanike je veľa zaujímavých vecí, ale v roku 2008 sa zmocnil záujem o IT: počítačové siete -> Delphi -> PHP -> Python. Boli experimenty s inými jazykmi, ale ja chcem písať v tomto jazyku. Podieľal sa na projektoch automatizácie obchodných procesov pomocou neurónových sietí (služba objednávania taxíkov Maxim) a vývoji informačných systémov v medicíne. Pracoval so systémami GIS a spracovaním obrazu pomocou Pythonu. Vo vyučovaní platí pozícia: „Ak niekto nevie vysvetliť niečo zložité jednoduchými slovami, znamená to, že v tom ešte nie je veľmi dobrý. rozumie.“ Vzdelanie: Univerzita Kurgan, Katedra bezpečnosti informačných a automatizovaných systémov, Ph.D. Absolvoval v roku 2002 Štátna univerzita v Kurgane s titulom „Viacúčelové pásové a kolesové vozidlá.“ V roku 2005 obhájil dizertačnú prácu na tému plynule meniteľné prevodovky. Odvtedy je oficiálne zamestnaný na univerzite (KSU). učiteľ

Pracuje ako dátový analytik v hedžovom fonde Meson Capital. Zaoberá sa konštrukciou rôznych modelov, ktoré predpovedajú správanie na akciovom trhu. Predtým som strávil viac ako 9 rokov riešením obchodných problémov založených na strojových...

Pracuje ako dátový analytik v hedžovom fonde Meson Capital. Zaoberá sa konštrukciou rôznych modelov, ktoré predpovedajú správanie na akciovom trhu. Predtým strávil viac ako 9 rokov riešením obchodných problémov založených na strojovom učení v spoločnostiach ako Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, budovanie modelov počítačového videnia, spracovanie prirodzeného jazyka a času riadkov. Je hosťujúcim lektorom na MIPT, kde vyučuje svoj vlastný kurz „Praktické ML.“ Valentin ukončil magisterské štúdium na MIPT. Medzi jeho záujmy patrí implementácia a budovanie infraštruktúry pre dátovo orientované riešenia. učiteľ

Skúsený vývojár, vedec a odborník na strojové/hĺbkové učenie so skúsenosťami v systémoch odporúčaní. Má viac ako 30 vedeckých publikácií v ruštine a cudzích jazykoch, obhájil dizertačnú prácu na tému analýzy a...

Skúsený vývojár, vedec a odborník na strojové/hĺbkové učenie so skúsenosťami v systémoch odporúčaní. Má viac ako 30 vedeckých publikácií v ruštine a cudzích jazykoch a obhájil dizertačnú prácu o analýze a prognózovaní časových radov. Vyštudoval Fakultu informatiky na Moskovskom energetickom inštitúte Národnej výskumnej univerzity, kde v roku 2008. bakalársky titul, magisterský titul v roku 2010 a kandidát technických vied v roku 2014. Ešte pred začatím práce na jeho dizertačnej práci som sa začal zaujímať o analýzu dát a pri realizácii môjho prvého významného projektu som sa z obyčajného programátora dostal na vedúceho oddelenia vývoja. Asi 10 rokov vyučoval súvisiace disciplíny na Moskovskom energetickom inštitúte Národnej výskumnej univerzity ako docent katedry. Vedie Data Science tímy rozvíjajúce projekty v oblasti NLP, RecSys, Time Series a Computer Vision Teacher

Pokročilé strojové učenie. AutoML
-Téma 1.Produkčný kód projektu na príklade klasifikačného/regresného problému, Virtuálne prostredia, Manažment závislostí, pypi/gemfury
-Téma 2. Praktická lekcia - Optimalizácia kódu, paralelizácia, multiprocesing, akcelerácia pandas, Modin for Pandas
-Téma 3. Pokročilé predspracovanie údajov. Kategorické kódovania
-Téma 4.Featuretools - vymyslíte pre mňa funkcie?
-Téma 5.H2O a TPOT - ideš mi stavať modely?

Výroba
-Téma 6. Praktická lekcia - Konštrukcia end-to-end pipeline a serializácia modelov
-Téma 7. Architektúra REST: Flask API
-Téma 8.Docker: Štruktúra, aplikácia, nasadenie
-Téma 9.Kubernetes, orchestrácia kontajnerov
-Téma 10. Praktická lekcia o práci vo výrobe: nasadenie Dockera do AWS

Časové rady
-Téma 11. Extrakcia funkcií. Fourierova a Waveletova transformácia, automatické generovanie prvkov - tsfresh
-Téma 12. Prístupy bez dozoru: Klastrovanie časových radov
-Téma 13. Nekontrolované prístupy: Segmentácia časových radov

Systémy odporúčaní. Úloha hodnotenia
-Téma 14. Systémy odporúčaní 1. Explicitná spätná väzba
-Téma 15. Systémy odporúčaní 2. Implicitná spätná väzba
-Téma 16. Úloha hodnotenia - Naučiť sa zaraďovať
-Téma 17. Praktická lekcia o systémoch odporúčaní. Prekvapenie!
-Téma 18.Otázky a odpovede

Grafy
-Téma 19. Úvod do grafov: základné pojmy. NetworkX, Stellar
-Téma 20. Analýza a interpretácia grafov. Detekcia komunity
-Téma 21. Predikcia prepojenia a klasifikácia uzlov
-Téma 22. Praktická lekcia: Hateri na Twitteri

Bayesovské učenie, PyMC
-Téma 23.Úvod do pravdepodobnostného modelovania, aposteriórne odhady, vzorkovanie
-Téma 24.Markovov reťazec Monte-Carlo (MCMC), Metropolis–Hastings
-Téma 25. Bayesovské AB testovanie
-Téma 26.Zovšeobecnený lineárny model (GLM) - Bayesovské regresie, odvodenie zadných odhadov koeficientov
-Téma 27. Praktická lekcia o GLM
-Téma 28. Bayesovská sieť dôvery: praktické cvičenie
-Téma 29. Praktická lekcia o logitovej regresii

Posilňovacie učenie
-Téma 30. Úvod do posilňovacieho vzdelávania
-Téma 31.Viacrukoví banditi na optimalizáciu testovania AB, z teórie - priamo do boja
-Téma 32. Praktická lekcia: Mnohoruký banditi v elektronickom obchode: optimalizácia vyhľadávania
-Téma 33.Markovov rozhodovací proces, Hodnotová funkcia, Bellmanova rovnica
-Téma 34. Iterácia hodnoty, Iterácia politiky
-Téma 35. Praktická hodina: lekársky prípad Markov reťazec Monte Carlo
-Téma 36. Časový rozdiel (TD) a Q-learning
-Téma 37.SARSA a praktická lekcia: Finančný prípad TD a Q-learning
-Téma 38.Otázky a odpovede

Projektová práca
-Téma 39. Konzultácia k projektu, výber témy
-Téma 40.Bonus: Hľadanie pracovných miest v oblasti dátovej vedy
-Téma 41.Ochrana dizajnérskej práce

Strojové učenie v praxi

Úvodný praktický kurz strojového učenia. Zvažuje sa celý cyklus budovania riešenia: od výberu počiatočných údajov (súbor .xlsx) až po zostavenie modelu a vysvetlenie vlastností údajov a špecifikácií prijatých údajov konečnému zákazníkovi výsledok. Teoretické časti - klasifikácia, regresia, predpovede, súbory - sú uvedené v prehľadnom režime v rozsahu potrebnom pre správnu konštrukciu a pochopenie analyzovaných príkladov.

41 500 ₽

Viac informácií Na webovú stránku kurzu

24 hodín

Štítky cloud

Rôzne

hodnotenie

zobrazenie

Komentáre