Machinaal leren. Professioneel - gratis cursus van Otus, opleiding 5 maanden, Datum: 2 december 2023.
Gemengde Berichten / / December 05, 2023
Je beheerst consequent moderne data-analysetools en bent in staat om machine learning-modellen op professioneel niveau te creëren. Om uw vaardigheden met elk algoritme te consolideren, voert u een volledige pijplijn van werk uit, van het voorbereiden van de dataset tot het analyseren van de resultaten en het voorbereiden van de productie. De praktijk en kennis die je krijgt zijn voldoende om zelfstandig klassieke ML-problemen op te lossen en te solliciteren naar Junior+ en Middle Data Scientist posities.
Portfolioprojecten
Tijdens de cursus voltooit u verschillende portfolioprojecten en leert u hoe u de resultaten van uw werk op competente wijze kunt presenteren om te slagen voor interviews. Voor je eindproject kun je een van de door de docent voorgestelde opties gebruiken of je eigen idee implementeren.
Voor wie is deze cursus bedoeld?
Voor beginnende analisten en datawetenschappers. De cursus helpt u uw kennis te systematiseren en te verdiepen. Je kunt experimenteren met benaderingen, werkcasussen analyseren en hoogwaardige feedback krijgen van experts.
Voor ontwikkelaars en specialisten op andere gebieden die van vak willen veranderen en zich willen ontwikkelen op het gebied van Data Science. De cursus geeft je de kans om een sterk portfolio op te bouwen en jezelf onder te dompelen in de sfeer van real-life taken als datawetenschapper.
Om te leren heb je Python-ervaring nodig op het niveau van het schrijven van je eigen functies, evenals kennis van wiskundige analyse, lineaire algebra, waarschijnlijkheidstheorie en wiskunde. statistieken.
Cursuskenmerken
Beste praktijken en trends. Bij elke lancering wordt het programma bijgewerkt om snel veranderende trends in Data Science te weerspiegelen. Na de opleiding kun je direct aan de slag met echte projecten.
Belangrijke secundaire vaardigheden. De cursus behandelt onderwerpen die doorgaans over het hoofd worden gezien, maar die noodzakelijk zijn voor een specialist in alledaagse taken en die door werkgevers zeer gewaardeerd worden:
— het bouwen van systemen voor het automatisch zoeken naar afwijkingen;
— het voorspellen van tijdreeksen met behulp van machinaal leren;
— end-to-end pipelines voor het werken met data, klaar voor implementatie in productie.
Creatieve sfeer en omstandigheden dicht bij echte werkprocessen. De hele cursus is opgebouwd als een simulator van het dagelijkse beroepsleven van een datawetenschapper, waar je mee te maken krijgt ‘vuile’ data, bereken je acties vooraf, experimenteer met oplossingen en bereid modellen voor productie In dit geval heb je nieuwsgierigheid, doorzettingsvermogen en een honger naar nieuwe ervaringen nodig.
3
cursusWerkt als data-analist in het AGI NLP-team in Sberbank. Werkt aan neurale netwerktaalmodellen en hun toepassing in echte problemen. Is van mening dat werken op het gebied van Data Science een unieke...
Werkt als data-analist in het AGI NLP-team in Sberbank. Werkt aan neurale netwerktaalmodellen en hun toepassing in echte problemen. Hij gelooft dat werken op het gebied van Data Science een unieke kans biedt om gekke dingen te doen op de rand van de wetenschap die de wereld hier en nu veranderen. Geeft vakken in data-analyse, machine learning en data science aan de Higher School of Economics. Maria studeerde af aan de Faculteit Mechanica en Wiskunde van de Staatsuniversiteit van Moskou en de Yandex School of Data Analysis. Maria is momenteel een afgestudeerde student aan de Higher School of Economics van de Faculteit Computerwetenschappen. Haar onderzoeksinteresses omvatten datawetenschapgebieden zoals natuurlijke taalverwerking en onderwerpmodellering. Programma manager
3
cursusBeoefent machine learning en data-analyse sinds 2012. Momenteel werkzaam als hoofd R&D bij WeatherWell. Heeft ervaring met de praktische toepassing van machine learning in game-ontwikkeling, bankieren en...
Beoefent machine learning en data-analyse sinds 2012. Momenteel werkzaam als hoofd R&D bij WeatherWell. Heeft ervaring met de praktische toepassing van machine learning in game-ontwikkeling, bankieren en Health Tech. Hij doceerde machine learning en data-analyse aan het Centrum voor Mathematical Finance van de Staatsuniversiteit van Moskou, en was gastdocent aan de Faculteit Computerwetenschappen van de National Research University Higher School of Economics en diverse zomerscholen. Onderwijs: Economie-wiskunde REU im. Plechanov, Centrale Faculteit Wiskunde en Wiskunde van de Staatsuniversiteit van Moskou, geavanceerde professionele opleiding van de Faculteit Computerwetenschappen van de Hogere School voor Economie "Praktische data-analyse en machinaal leren", MSc Computerwetenschappen Aalto Universitaire stapel/interesses: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML voor sociaal Goed
Geavanceerde Machine Learning-technieken
-Onderwerp 1. Inleidende les. Bekijk de basisconcepten van machine learning opnieuw met een praktisch voorbeeld
-Onderwerp 2.Beslissingsbomen
-Thema 3.Python voor ML: pijpleidingen, panda-versnelling, multiprocessing
-Onderwerp 4.Modelensembles
-Onderwerp 5. Verloopversterking
-Onderwerp 6. Ondersteuning van vectormachines
-Onderwerp 7. Methoden voor het reduceren van dimensionaliteit
-Onderwerp 8. Leren zonder leraar. K-betekent, EM-algoritme
-Onderwerp 9. Leren zonder leraar. Hiërarchische clustering. DB-scan
-Onderwerp 10. Anomalieën in gegevens vinden
-Onderwerp 11. Praktische les - Constructie van end-to-end pijpleidingen en serialisatie van modellen
-Onderwerp 12.Algoritmen op grafieken
Gegevensverzameling. Analyse van tekstgegevens.
-Onderwerp 13. Gegevensverzameling
-Onderwerp 14.Analyse van tekstgegevens. Deel 1: Voorverwerking en tokenisatie
-Onderwerp 15.Analyse van tekstgegevens. Deel 2: Vectorrepresentaties van woorden, werken met vooraf getrainde inbedding
-Onderwerp 16. Analyse van tekstgegevens. Deel 3: Erkenning van benoemde entiteiten
-Onderwerp 17.Analyse van tekstgegevens. Deel 4: Onderwerpmodellering
-Onderwerp 18.Vragen en antwoorden
Tijdreeksanalyse
-Onderwerp 19. Tijdreeksanalyse. Deel 1: Probleemstelling, eenvoudigste methoden. ARIMA-model
-Onderwerp 20. Tijdreeksanalyse. Deel 2: Functie-extractie en toepassing van machine learning-modellen. Automatische prognose
-Onderwerp 21. Tijdreeksanalyse Deel 3: Tijdreeksen clusteren (op zoek naar gerelateerde aandelenkoersen)
Aanbevolen systemen
-Onderwerp 22. Aanbevelingssystemen. Deel 1: Probleemstelling, kwaliteitsstatistieken. Gezamenlijk filteren. Koude start
-Onderwerp 23. Aanbevelingssystemen. Deel 2: Contentfiltering, hybride benaderingen. Verenigingsregels
-Onderwerp 24. Aanbevelingssystemen. Deel 3: Impliciete feedback
-Onderwerp 25. Praktische les over aanbevelingssystemen. Verrassing
-Onderwerp 26.Vragen en antwoorden
Aanvullende onderwerpen
-Onderwerp 27.Kaggle ML-training nr. 1
-Onderwerp 28.Kaggle ML-training nr. 2
-Onderwerp 29.ML in Apache Spark
-Onderwerp 30. Zoeken naar banen in datawetenschap
Project Werk
-Onderwerp 31. Keuze van het onderwerp en organisatie van projectwerk
-Onderwerp 32. Overleg over projecten en huiswerk
-Onderwerp 33. Bescherming van ontwerpwerkzaamheden