Python masinõppeks – kursus 49 990 RUB. alates Spetsialist, koolitus, Kuupäev: 27.11.2023.

Kursusel keskendutakse Pythoni kasutamisele masinõppetehnoloogiates. Uuritakse peamisi masinõppes kasutatavaid teeke ja nende kasutamise meetodeid.
Kursust õpetatakse masinõppe teekide Scikit-Learn ja TensorFlow baasil. Õppeprotsessi käigus kasutatakse aktiivselt arendustööriistu Jupyter Notebook ja Jupyter-Lab. Kasutatakse ka Google Colabi pilvandmetöötluse ressursse.
Kursust soovitatakse Pythoni programmeerijatele ja andmeteaduse spetsialistidele.

Sa õpid:
rakendada masinõppe tehnoloogiaid;
kasutada klassifitseerimis-, regressiooni-, klasterdamismudeleid;
kasutada andmete eeltöötlusmeetodeid ja masinõppe katteid;
valida masinõppemudeleid lähtuvalt oma töö kvaliteedist;
süvendada oma teadmisi Pythonist, meisterdada kaasaegseid tööriistu masinõppemudelite arendamiseks.

1. moodul. Masinõppe probleemi avaldus (2 ak. h.)
Kolm tüüpi masinõpet.
Skeem masinõppesüsteemide ehitamiseks.
Vajalikud tööriistad.
Harjutage töökeskkonna loomist ning Anaconda ja Jupyteri sülearvuti kasutamist.
2. moodul. Koolitus koos õpetajaga. Klassifitseerimisprobleem (6 ak. h.)

Närvivõrgu mõiste.
Perceptron. Määratlus, rakendamine ja koolitus.
Adaptiivne lineaarne neuron. Määratlus, rakendamine ja koolitus.
Gradiendi laskumise meetod.
Stohhastilise gradiendi laskumine adaptiivses lineaarses neuronis.
Dünaamiline õpe suurandmetel.
Harjutage mudeli ja Scikit-Learni andmekogumitega.
Harjutage Jupyteri sülearvutis.
3. moodul. Scikit-learn raamatukogu, selle põhifunktsioonid (6 ak. h.)
Perceptron koolitus.
Logistilise regressiooni meetod.
Toetage vektormasinat.
k-lähimate naabrite meetod.
Otsustuspuud.
Suvaliste puude ansambel.
Harjutage Jupyteri sülearvutis.
4. moodul. Koolitus koos õpetajaga. Regressiooniprobleem (6 ak. h.)
Koolitus koos õpetajaga. Regressiooni probleem.
Lineaarne regressioon.
Vähima ruudu meetod.
Gradiendi laskumise meetod.
Töötamine heitgaasidega. RANSAC() algoritm.
Alglaadimistehnika regressioonikordajate jaoks.
Regressioonimudeli kvaliteedi hindamine.
Mittelineaarse regressiooni alused.
Harjutage Jupyteri sülearvutis.
5. moodul. Andmete eeltöötlus, funktsioonide ja mudelite valik (6 ak. h.)
Puuduvate andmete käsitlemine.
Kategooriate töötlemine.
Eeltöötlus- ja koolitusmudelid.
Oluliste omaduste valik.
Oluliste omaduste uurimine juhuslike metsade abil.
Masinõppe torujuhtmed.
Ristvalideerimine ja mudeli valik.
Harjutage Jupyteri sülearvutis.
6. moodul. Õppimine ilma õpetajata. Klasteranalüüs (6 ak. h.)
K-tähendab meetod.
Põhikomponentide analüüs.
Lineaarne diskriminantanalüüs.
Hierarhiline klasterdamine.
Klasterdamine tiheduse järgi.
Harjutage Jupyteri sülearvutis.
7. moodul. Süvaõppe alused (8 ak. h.)
Graafikud ja hajutatud andmetöötlus.
Tensorflow installimine.
Tensorid.
Andmekogumid.
Rakenduse liides (API) Keras.
Lineaarne regressioon stohhastilise gradiendi laskumisega.
Iirise andmete klassifikatsioon kahekihilise närvivõrgu järgi.
Neuronikihtide aktiveerimisfunktsioonid.
MNIST andmete klassifikatsioon.
Harjutage Google Colabis.