Gépi tanulás. Szakmai - ingyenes tanfolyam az Otustól, képzés 5 hónap, Időpont: 2023. december 2.
Vegyes Cikkek / / December 05, 2023
Következetesen elsajátítja a modern adatelemző eszközöket, és képes lesz professzionális szintű gépi tanulási modellek létrehozására. Ahhoz, hogy megszilárdítsa készségeit az egyes algoritmusokkal, egy teljes munkafolyamatot kell végrehajtania az adatkészlet előkészítésétől az eredmények elemzéséig és a gyártás előkészítéséig. A megszerzett gyakorlat és tudás elegendő lesz a klasszikus ML problémák önálló megoldásához és a Junior+ és Middle Data Scientist pozíciók megpályázásához.
Portfólió projektek
A kurzus során számos portfólióprojektet hajt végre, és megtanulja, hogyan kell hozzáértően bemutatni a munkája eredményeit az interjúk átadásához. Végső projektjéhez választhat a tanár által javasolt lehetőségek közül, vagy megvalósíthatja saját ötletét.
Kinek szól ez a tanfolyam?
Kezdő elemzőknek és adattudósoknak. A tanfolyam segítséget nyújt ismeretei rendszerezésében és elmélyítésében. Kísérletezhet a megközelítésekkel, elemezheti a működő eseteket, és kiváló minőségű visszajelzést kaphat a szakértőktől.
Fejlesztőknek és más területeken dolgozó szakembereknek, akik szakmát váltani szeretnének és az adattudomány területén szeretnének fejlődni. A tanfolyam lehetőséget ad arra, hogy erős portfóliót építs fel, és adattudósként elmélyülj a valós feladatok légkörében.
A tanuláshoz Python-tapasztalat szükséges saját függvények írásának szintjén, valamint a matematikai elemzés, a lineáris algebra, a valószínűségszámítás és a matematika ismerete. statisztika.
A tanfolyam jellemzői
Bevált gyakorlatok és trendek. A program minden indításakor frissül, hogy tükrözze a Data Science gyorsan változó trendjeit. A képzés után azonnal elkezdhet valódi projekteken dolgozni.
Fontos másodlagos készségek. A kurzus olyan témákat tartalmaz, amelyeket általában figyelmen kívül hagynak, de a mindennapi feladatokban szakember számára szükségesek, és amelyeket a munkaadók nagyra értékelnek:
— rendszerek kiépítése az anomáliák automatikus keresésére;
— idősorok előrejelzése gépi tanulás segítségével;
— végpontok közötti folyamatok az adatokkal való munkavégzéshez, készen állnak a termelésben történő megvalósításra.
Kreatív légkör és a valódi munkafolyamatokhoz közeli feltételek. A teljes kurzus egy adattudós mindennapi munkájának szimulátoraként épül fel, ahol meg kell küzdenie „piszkos” adatokkal, előre számolja ki akcióit, kísérletezzen megoldásokkal és készítsen modelleket Termelés Ebben az esetben kíváncsiságra, kitartásra és új élmények utáni szomjúságra lesz szüksége.
3
tanfolyamAdatelemzőként dolgozik a Sberbank AGI NLP csapatában. Neurális hálózati nyelvi modelleken és azok valós problémákban való alkalmazásán dolgozik. Úgy véli, hogy az adattudomány területén végzett munka egyedülálló...
Adatelemzőként dolgozik a Sberbank AGI NLP csapatában. Neurális hálózati nyelvi modelleken és azok valós problémákban való alkalmazásán dolgozik. Úgy véli, hogy az adattudomány területén végzett munka egyedülálló lehetőséget kínál arra, hogy őrült menő dolgokat csináljunk a tudomány szélén, amelyek itt és most megváltoztatják a világot. Adatelemzés, gépi tanulás és adattudomány tantárgyakat oktat a Közgazdasági Főiskolán. Maria a Moszkvai Állami Egyetem Mechanikai és Matematikai Karán és a Yandex Adatelemző Iskolán szerzett diplomát. Maria jelenleg végzős hallgató a Közgazdaságtudományi Felsőoktatási Kar Számítástechnikai Karán. Kutatási területei közé tartoznak az olyan adattudományi területek, mint a természetes nyelvi feldolgozás és a témamodellezés. Program menedzser
3
tanfolyam2012 óta gyakorolom a gépi tanulást és adatelemzést. Jelenleg a WeatherWell kutatás-fejlesztési vezetőjeként dolgozik. Tapasztalattal rendelkezik a gépi tanulás gyakorlati alkalmazásában játékfejlesztésben, banki és...
2012 óta gyakorolom a gépi tanulást és adatelemzést. Jelenleg a WeatherWell kutatás-fejlesztési vezetőjeként dolgozik. Tapasztalattal rendelkezik a gépi tanulás gyakorlati alkalmazásában játékfejlesztésben, banki és Health Tech területén. Gépi tanulást és adatelemzést tanított a Moszkvai Állami Egyetem Matematikai Pénzügyi Központjában, vendégelőadó volt a Nemzeti Kutatóegyetem Közgazdasági Felsőiskola Számítástechnikai Karán és különböző nyári iskolákban. Iskolai végzettség: Közgazdaságtan-matematika REU im. Plekhanov, a Moszkvai Állami Egyetem Központi Matematikai és Matematikai Kara, a Felső Közgazdasági Iskola Számítástechnikai Karának felsőfokú szakmai képzése "Gyakorlati adatelemzés és gépi tanulás", MSc Computer Science Aalto Egyetemi halom/Érdeklődési körök: Python, gépi tanulás, idősorok, anomáliák észlelése, nyílt adatok, ML közösségi alkalmazásokhoz jó
Fejlett gépi tanulási technikák
-Téma 1. Bevezető óra. Tekintse meg újra az alapvető gépi tanulási koncepciókat egy gyakorlati példával
-2. téma.Döntési fák
- 3. téma Python for ML: csővezetékek, pandák gyorsítása, több feldolgozás
-4. téma.Modellegyüttesek
-Topic 5. Gradient boosting
-Téma 6.Támogatás vektor gép
-7. témakör.Dimenziócsökkentési módszerek
-Téma 8. Tanulás tanár nélkül. K-közép, EM algoritmus
-9. témakör Tanulás tanár nélkül. Hierarchikus klaszterezés. DB-Scan
-10. témakör. Anomáliák keresése az adatokban
- 11. témakör. Gyakorlati óra - Végponttól végpontig tartó csővezetékek építése és modellek szerializálása
-Téma 12. Algoritmusok grafikonokon
Adatgyűjtés. Szöveges adatok elemzése.
-Téma 13.Adatgyűjtés
-14. témakör.Szöveges adatok elemzése. 1. rész: Előfeldolgozás és tokenizálás
-15. témakör.Szöveges adatok elemzése. 2. rész: Szavak vektoros ábrázolása, munka előre betanított beágyazásokkal
-16. témakör.Szöveges adatok elemzése. 3. rész: Elnevezett entitás felismerése
-17. témakör.Szöveges adatok elemzése. 4. rész: Témamodellezés
- 18. témakör.Kérdések és válaszok
Idősor elemzés
-19. témakör. Idősorelemzés. 1. rész: A probléma megfogalmazása, legegyszerűbb módszerek. ARIMA modell
-20. témakör. Idősorelemzés. 2. rész: Funkciókinyerés és gépi tanulási modellek alkalmazása. Automatikus előrejelzés
-21. témakör. Idősorelemzés 3. rész: Idősorok klaszterezése (kapcsolódó részvényárfolyamok keresése)
Ajánló rendszerek
-Téma 22. Ajánlórendszerek. 1. rész: A probléma megfogalmazása, minőségi mérőszámok. Együttműködési szűrés. Hideg indítás
-Téma 23. Ajánló rendszerek. 2. rész: Tartalomszűrés, hibrid megközelítések. Egyesületi szabályzat
-Téma 24. Ajánlórendszerek. 3. rész: Implicit visszajelzés
-25. témakör Gyakorlati óra az ajánlórendszerekről. Meglepetés
-26. témakör.Kérdések és válaszok
További témák
-27. témakör.Kaggle ML edzés 1. sz
-28. témakör.Kaggle ML edzés 2. sz
-Topic 29.ML az Apache Sparkban
-Téma 30. Adattudományi állások keresése
Projekt munka
-31. témakör Témaválasztás és projektmunka szervezése
-Téma 32. Konzultáció projektekről és házi feladatokról
-33. témakör. Tervezési munka védelme