Masinõpe. Põhikursus 52 668 hõõruda. Otust, koolitus 6 kuud, kuupäev 27.02.2023.

Varia / by admin / November 30, 2023

click fraud protection

Õpid lahendama probleeme reaalsetest tööprotsessidest, mis on enamasti määratud andmeteaduse algajatele spetsialistidele. Kursuse lõpuks on sul kogutud tööde portfoolio, läbitud intervjuu ettevalmistamine ja karjäärinõustamine.

Kursus annab teile vajaliku aluse:
Python. Läbite programmeerimise põhitõed ja õpite kasutama seda kõige asjakohasemat keelt masinõppe ülesannetes.
Matemaatika. Algoritmide teoreetiliste aluste ja põhimõtete mõistmiseks meisterdage võtmeosad.
Klassikalised masinõppe mudelid. Koguge oma andmekogumid ja viige oma esimeste mudelitega lõpule täielik töö.

Loominguline õhkkond:
Koolituse käigus sukeldud reaalsetele tööprotsessidele lähedastesse tingimustesse. Peate tegelema mustade andmetega, mõtlema ette, katsetama lahendusi ja valmistama ette mudelid tootmiseks.
Klassikeskkond julgustab õpilasi olema uudishimulik, aktiivselt arutlema ja mitte kartma vigu.

Isiklik mentor:
Interneti-seansid 40 minutit igal nädalal;
Koolituse alguses määratakse teile mentor. Nagu õpetajad, on ka mentorid andmeteaduse valdkonnas töötavad eksperdid;

instagram viewer

Kord nädalas teete oma kodutööd, postitate selle GitHubisse ja lepite oma mentoriga kokku kõne;
Mentor tutvub teie koodiga eelnevalt, nii et kohtumise ajaks teab ta juba, millele tähelepanu pöörata. Samuti saate koostada küsimusi;
Seansi ajal kommenteerib mentor teie otsust. Vajadusel saab kohe minna arenduskeskkonda, teha koodis muudatusi ja kohe näha tulemust.

Pärast koolitust on sul võimalik:
Kandideeri juunioride pädevust nõudvatele ametikohtadele
Lahendage masinõppe meetodeid kasutades tõelisi äriprobleeme
Töötage masinõppe jaoks Pythoni raamatukogudega
Mittestandardsete olukordadega toimetulek läbi algoritmide ja mudelite tööpõhimõtte sügava teoreetilise mõistmise
Liikuge andmeteaduse erinevates valdkondades ja valige ülesande jaoks sobivad tööriistad.

Maria Tihhonova

muidugi

Töötab Sberbanki AGI NLP meeskonnas andmeanalüütikuna. Töötab närvivõrgu keelemudelite ja nende rakendamise kallal reaalelu probleemides. Usub, et andmeteaduse valdkonnas töötamine pakub ainulaadset...

Töötab Sberbanki AGI NLP meeskonnas andmeanalüütikuna. Töötab närvivõrgu keelemudelite ja nende rakendamise kallal reaalelu probleemides. Ta usub, et andmeteaduse valdkonnas töötamine annab ainulaadse võimaluse teha teaduse äärel pööraselt lahedaid asju, mis muudavad maailma siin ja praegu. Õpetab Kõrgemas Majanduskoolis andmeanalüüsi, masinõppe ja andmeteaduse aineid. Maria on lõpetanud Moskva Riikliku Ülikooli mehaanika ja matemaatika teaduskonna ning Yandexi andmeanalüüsi kooli. Praegu õpib Maria Kõrgema Majanduskooli arvutiteaduse teaduskonnas. Tema uurimisvaldkonnad hõlmavad andmeteaduse valdkondi, nagu loomuliku keele töötlemine ja teemade modelleerimine. Programmijuht

Dmitri Sergejev

muidugi

Masinõppe ja andmeanalüüsi harjutamine alates 2012. aastast. Töötab praegu WeatherWelli teadus- ja arendustegevuse juhina. Omab masinõppe praktilise rakendamise kogemust mänguarenduses, panganduses ja Health Techis. Ta õpetas masinõpet ja andmeanalüüsi Moskva Riikliku Ülikooli Matemaatilise Finantseerimise Keskuses ning oli külalislektor Rahvusliku Uurimisülikooli Kõrgema Majanduskooli arvutiteaduse teaduskonnas ja erinevates suvekoolides. Haridus: Majandus-matemaatika REU im. Plehhanov, Moskva Riikliku Ülikooli matemaatika ja matemaatika keskteaduskond, Majanduskõrgkooli arvutiteaduse teaduskonna täiendõpe "Praktiline andmeanalüüs ja masinõpe", MSc arvutiteadus Aalto Ülikooli virn/huvid: Python, masinõpe, aegrida, anomaalia tuvastamine, avatud andmed, ML suhtlusvõrgustikele hea

Sissejuhatus Pythoni
-Teema 1.Üksteise tundmaõppimine
-Teema 2. Töökeskkonna seadistamine
-Teema 3.Põhitüübid ja andmestruktuurid. Voolu reguleerimine
-Teema 4. Funktsioonide ja andmetega töötamine
- 5. teema. Git, shell

Sissejuhatus Pythoni. OOP, moodulid, andmebaasid
-Teema 6. OOP alused
-Teema 7. Täiustatud OOP, erandid
-Teema 8. Täiustatud OOP, jätk
-Teema 9. Moodulid ja import
-Teema 10.Testid
-Teema 11.Sisseehitatud moodulite tutvustus
-Teema 12. Failid ja võrk

Pythoni põhitõed ML-i jaoks
-Teema 13. NumPy põhitõed
-Teema 14. Pandade põhitõed
-Teema 15.Andmete visualiseerimine

ML teoreetiline miinimum: matemaatika, lineaar, statistika
-Teema 16.Maatriksid. Põhikontseptsioonid ja toimingud
-Teema 17.Praktika. Maatriksid
-Teema 18. Funktsioonide eristamine ja optimeerimine
-Teema 19.Praktika. Funktsioonide diferentseerimine ja optimeerimine
-Teema 20. Algoritmid ja arvutuslik keerukus
-Teema 21.MNC ja MSE
-Teema 22.Praktika. hargmaised ettevõtted ja MSEd
-Teema 23. Juhuslikud muutujad ja nende modelleerimine
-Teema 24.Praktika. Juhuslikud muutujad ja nende modelleerimine
-Teema 25. Sõltuvuste uurimine: nimi-, järg- ja kvantitatiivsed suurused
-Teema 26.Praktika. Sõltuvuste uurimine: nimi-, järg- ja kvantitatiivsed suurused
-Teema 27.AB testimine

Põhilised masinõppe meetodid
-Teema 28.Sissejuhatus masinõppesse
-Teema 29. Uurimuslik andmete analüüs ja eeltöötlus
-Teema 30. Klassifitseerimisprobleem. Lähimate naabrite meetod
-Teema 31.Regressiooniprobleem. Lineaarne regressioon
-Teema 32.Logistiline regressioon
-Teema 33.Otsustuspuud
-Teema 34. Funktsioonide projekteerimine ja täiustatud eeltöötlus
-Teema 35. Praktiline tund - Kaggle'i lahendamine, kasutades kõike, mida oleme õppinud

Projektitöö
-Teema 36. Teema valik ja projektitöö korraldus
-Teema 37. Projekti konsultatsioon
-Teema 38.Projekti kaitsmine

Sildid pilv

Varia

hinne

views

Kommentaarid