Gépi tanulás. Haladó - ingyenes tanfolyam az Otustól, képzés 5 hónap, Időpont: 2023. december 4.
Vegyes Cikkek / / December 08, 2023
Elsajátíthatja azokat a fejlett gépi tanulási technikákat, amelyek lehetővé teszik, hogy magabiztosan érezze magát vezető közép/senior pozíciókban, és még a nem szabványos feladatokkal is megbirkózzon.
Bővíti a munkához rendelkezésre álló eszköztárát. Sőt, még az olyan témákhoz is, mint a Bayes-módszerek és a megerősítéses tanulás, amelyeket általában kizárólag elméleti formában tanítanak, gyakorlatainkból választottuk ki a valódi működő eseteket.
Egy külön modult szentelnek a termelésben végzett munkának: a környezet beállításának, a kód optimalizálásának, a végpontok közötti folyamatok felépítésének és a megoldások megvalósításának.
Sokoldalú projektfeladatok
A kurzus során számos gyakorlati feladatot teljesít, amelyek segítségével megszilárdíthatja készségeit az érintett témákban. Minden feladat egy gyakorlati adatelemzési projekt, amely egy adott gépi tanulási alkalmazást old meg.
Kinek szól ez a tanfolyam?
A gépi tanulást gyakorló elemzőknek, programozóknak és adattudósoknak. A kurzus segít bővíteni képességeit és továbblépni karrierje során.
A tanfolyam elvégzése után képes leszel:
Állítsa be a környezetet, és írjon implementálásra kész gyártási kódot
Dolgozzon AutoML-megközelítésekkel, és ismerje meg használatuk korlátait
Értse és tudja alkalmazni a Bayes-módszereket és a megerősítő tanulást a releváns problémákra
Az ajánlórendszerekben, idősorokban és grafikonokban felmerülő nem szabványos problémák megoldása
Forrasztópákával a kezemben kezdtem az iskolát. Aztán ott volt a ZX Spectrum. Egyetemre jártam mérnök szakra. A mechanikában sok érdekesség van, de 2008-ban az informatika iránti érdeklődés vette át a hatalmat: a számítógép...
Forrasztópákával a kezemben kezdtem az iskolát. Aztán ott volt a ZX Spectrum. Egyetemre jártam mérnök szakra. A mechanikában sok érdekesség van, de 2008-ban az informatika iránti érdeklődés vette át a hatalmat: számítógépes hálózatok -> Delphi -> PHP -> Python. Voltak már kísérletek más nyelvekkel is, de ezen a nyelven szeretnék írni. Részt vett az üzleti folyamatok neurális hálózatok segítségével történő automatizálására (Maxim taxirendelési szolgáltatás), valamint az orvostudomány információs rendszereinek fejlesztésére irányuló projektekben. GIS rendszerekkel és Python segítségével végzett képfeldolgozással dolgozott. A tanításban az álláspont a következő: „Ha valaki valami bonyolult dolgot nem tud egyszerű szavakkal elmagyarázni, az azt jelenti, hogy még nem nagyon ért hozzá.” megérti.” Iskolai végzettség: Kurgan University, Department of Security of Information and Automated Systems, Ph.D. 2002-ben végzett A Kurgan Állami Egyetemen „Többcélú lánctalpas és kerekes járművek” szakon szerzett diplomát. 2005-ben védte meg disszertációját fokozatmentes sebességváltók. Azóta hivatalosan is az egyetemen (KSU) alkalmazzák. Tanár
Adatelemzőként dolgozik a Meson Capital fedezeti alapnál. Különféle modellek felépítésében vesz részt, amelyek előrejelzik a tőzsdei viselkedést. Azelőtt több mint 9 évet töltöttem azzal, hogy gépi alapú üzleti problémákat oldottam meg...
Adatelemzőként dolgozik a Meson Capital fedezeti alapnál. Különféle modellek felépítésében vesz részt, amelyek előrejelzik a tőzsdei viselkedést. Ezt megelőzően több mint 9 évet töltött a gépi tanuláson alapuló üzleti problémák megoldásával olyan cégeknél, mint az Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, számítógépes látásmodellek építése, természetes nyelvi feldolgozás és idő sorokat. Vendégoktató a MIPT-nél, ahol saját „Practical ML” kurzust oktat. Valentin a MIPT-en fejezte be a mesterképzést. Érdeklődési köre az adatvezérelt megoldások infrastruktúrájának megvalósítása és kiépítése. Tanár
Tapasztalt fejlesztő, tudós és gépi/mély tanulási szakértő, tapasztalattal az ajánlórendszerekben. Több mint 30 tudományos publikációja van orosz és idegen nyelven, megvédte PhD disszertációját elemzési témakörben és...
Tapasztalt fejlesztő, tudós és gépi/mély tanulási szakértő, tapasztalattal az ajánlórendszerekben. Több mint 30 tudományos publikációja van orosz és idegen nyelven, PhD értekezését idősorok elemzése és előrejelzése témakörben védte meg. A Nemzeti Kutatói Egyetem Moszkvai Energetikai Intézetének Számítástechnikai Karán szerzett diplomát, ahol 2008-ban. 2010-ben alapképzést, 2010-ben mesterképzést, 2014-ben a műszaki tudományok kandidátusát szerzett. Még mielőtt elkezdtem volna dolgozni a szakdolgozatán, érdeklődtem az adatelemzés iránt, és első jelentősebb projektem megvalósításakor hétköznapi programozóból a fejlesztési osztály vezetőjévé váltam. Körülbelül 10 éven át a Nemzeti Kutatóegyetem Moszkvai Energetikai Intézetében oktatott kapcsolódó tudományokat, a tanszék docenseként. Vezeti az NLP, RecSys, Time Series és Computer Vision Teacher projekteket kidolgozó adattudományi csapatokat
Haladó gépi tanulás. AutoML
-Téma 1. A projekt gyártási kódja egy osztályozási/regressziós probléma példáján, virtuális környezetek, függőségek kezelése, pypi/gemfury
-Téma 2. Gyakorlati óra - Kód optimalizálás, párhuzamosítás, több feldolgozás, pandagyorsítás, Modin for Pandas
-Topic 3.Advanced Data Preprocessing. Kategorikus kódolások
- 4. témakör.Featuretools - kitalál nekem funkciókat?
-Téma 5.H2O és TPOT - fogsz modelleket építeni nekem?
Termelés
-6. témakör. Gyakorlati óra - Végpontok közötti csővezetékek építése és modellek sorozatosítása
-Topic 7.REST architektúra: Flask API
-Téma 8.Docker: Felépítés, alkalmazás, telepítés
-9. témakör.Kubernetes, konténer hangszerelés
-10. téma. Gyakorlati lecke a termelésben való munkáról: Docker telepítése AWS-re
Idősorok
-Téma 11. Jellemzők kinyerése. Fourier és Wavelet transzformáció, automatikus funkciógenerálás - tsfresh
-12. témakör. Felügyelet nélküli megközelítések: Idősorok klaszterezése
-13. témakör. Felügyelet nélküli megközelítések: Idősorok szegmentálása
Ajánló rendszerek. Rangsorolási feladat
-Téma 14. Ajánlórendszerek 1. Explicit visszajelzés
-Téma 15. Ajánló rendszerek 2. Implicit visszajelzés
-16. témakör. Rangsorolási feladat - Rangsorolás megtanulása
-17. témakör Gyakorlati óra az ajánlórendszerekről. Meglepetés!
- 18. témakör.Kérdések és válaszok
Grafikonok
-19. témakör. Bevezetés a grafikonokba: alapfogalmak. NetworkX, Stellar
-20. témakör. Grafikonelemzés és értelmezés. Közösségi észlelés
- 21. témakör. Link előrejelzés és csomópontok osztályozása
-22. téma. Gyakorlati óra: Gyűlölők a Twitteren
Bayesi tanulás, PyMC
-23. témakör. Bevezetés a valószínűségi modellezésbe, utólagos becslések, mintavétel
-24. téma.Markov-lánc Monte-Carlo (MCMC), Metropolis–Hastings
-25. témakör. Bayes AB tesztelés
-26. témakör.Általános lineáris modell (GLM) - Bayes-regressziók, együtthatók utólagos becsléseinek származtatása
-27. téma. Gyakorlati óra a GLM-ről
-28. témakör. Bayesi bizalmi hálózat: gyakorlati gyakorlat
-29. témakör. Gyakorlati óra a logit regresszióról
Megerősítő tanulás
- 30. téma: Bevezetés a megerősítéses tanulásba
- 31. téma: Többkarú banditák az AB-teszt optimalizálásához, elméletből - egyenesen a csatába
-32. témakör. Gyakorlati óra: Többkarú banditák az e-kereskedelemben: keresés optimalizálás
-33. témakör.Markov döntési folyamat, értékfüggvény, Bellman-egyenlet
- 34. témakör. Érték iteráció, irányelv iteráció
-35. témakör. Gyakorlati óra: orvosi eset Markov Chain Monte Carlo
- 36. témakör: Időbeli különbség (TD) és Q-learning
- 37. téma. SARSA és gyakorlati lecke: Pénzügyi esetek TD és Q-learning
-Téma 38.Q&A
Projekt munka
-Téma 39. Konzultáció a projektről, témaválasztás
- 40. témakör. Bónusz: Adattudományi állások keresése
-41. témakör. Tervezési munka védelme
Bevezető gyakorlati tanfolyam a gépi tanulásról. A megoldás felépítésének teljes ciklusát figyelembe vesszük: a kezdeti adatok kiválasztásától (.xlsx fájl) egészen a modell felépítése és a végfelhasználó számára az adatok jellemzőinek és a kapott adatok sajátosságainak ismertetése eredmény. Az elméleti részeket - osztályozás, regresszió, előrejelzések, együttesek - áttekintő módban adjuk meg, az elemzett példák helyes felépítéséhez és megértéséhez szükséges mértékben.
4
41 500 ₽