Koneoppiminen. Ammattilainen - ilmainen kurssi Otukselta, koulutus 5 kuukautta, Päivämäärä: 2.12.2023.

Miscellanea / by admin / December 05, 2023

click fraud protection

Hallitset johdonmukaisesti nykyaikaiset data-analyysityökalut ja pystyt luomaan koneoppimismalleja ammattitasolla. Vahvistaaksesi taitojasi jokaisen algoritmin kanssa, suoritat täyden työsarjan tietojoukon valmistelusta tulosten analysointiin ja tuotantoon valmistautumiseen. Saatamasi käytäntö ja tieto riittävät itsenäiseen klassisten ML-ongelmien ratkaisemiseen ja Junior+- ja Middle Data Scientist -tehtävien hakemiseen.

Portfolioprojektit

Kurssin aikana suoritat useita portfolioprojekteja ja opit esittelemään taitavasti työsi tulokset haastattelujen läpäisemiseksi. Opinnäytetyössäsi voit valita jonkin opettajan ehdottamista vaihtoehdoista tai toteuttaa oman ideasi.

Kenelle tämä kurssi on tarkoitettu?

Aloitteleville analyytikoille ja datatieteilijöille. Kurssi auttaa sinua systematisoimaan ja syventämään tietojasi. Pystyt kokeilemaan lähestymistapoja, analysoimaan työtapauksia ja saamaan laadukasta palautetta asiantuntijoilta.

Muiden alojen kehittäjille ja asiantuntijoille, jotka haluavat vaihtaa ammattiaan ja kehittyä tietotieteen alalla. Kurssi antaa sinulle mahdollisuuden rakentaa vahva portfolio ja uppoutua tosielämän tehtävien ilmapiiriin datatieteilijänä.

instagram viewer

Oppimiseen tarvitset Python-kokemusta omien funktioiden kirjoittamisen tasolla sekä matemaattisen analyysin, lineaarisen algebran, todennäköisyysteorian ja matematiikan tuntemusta. tilastot.

Kurssin ominaisuudet

Parhaat käytännöt ja trendit. Ohjelma päivitetään jokaisen julkaisun jälkeen vastaamaan datatieteen nopeasti muuttuvia trendejä. Harjoittelun jälkeen pääset heti aloittamaan todellisten projektien parissa.

Tärkeitä toissijaisia taitoja. Kurssi sisältää aiheita, jotka jäävät yleensä huomiotta, mutta ovat arjen tehtävien asiantuntijalle välttämättömiä ja työnantajien arvostamia:
— rakentaa järjestelmät poikkeamien automaattista etsimistä varten;
— aikasarjojen ennustaminen koneoppimisen avulla;
— päästä päähän -putket tietojen käsittelyä varten, valmiina käyttöönotettaviksi tuotannossa.

Luova ilmapiiri ja olosuhteet lähellä todellisia työprosesseja. Koko kurssi on rakennettu simulaattoriksi datatieteilijän arjen työelämästä, jossa joutuu selviytymään ”likaa” dataa, laske toimintasi etukäteen, kokeile ratkaisuja ja valmistele malleja tuotantoa Tässä tapauksessa tarvitset uteliaisuutta, sinnikkyyttä ja uusien kokemusten janoa.

Maria Tikhonova

tietenkin

Työskentelee tietoanalyytikkona AGI NLP -tiimissä Sberbankissa. Työskentelee hermoverkkokielimallien parissa ja niiden soveltamisessa tosielämän ongelmiin. Uskoo, että tietotekniikan alalla työskentely tarjoaa ainutlaatuisen...

Työskentelee tietoanalyytikkona AGI NLP -tiimissä Sberbankissa. Työskentelee hermoverkkokielimallien parissa ja niiden soveltamisessa tosielämän ongelmiin. Hän uskoo, että työskentely datatieteen alalla tarjoaa ainutlaatuisen mahdollisuuden tehdä hulluja hienoja asioita tieteen reunalla, jotka muuttavat maailmaa tässä ja nyt. Opettaa kauppakorkeakoulussa data-analyysin, koneoppimisen ja datatieteen aineita. Maria valmistui Moskovan valtionyliopiston mekaniikan ja matematiikan tiedekunnasta ja Yandexin tietoanalyysikoulusta. Maria on tällä hetkellä jatko-opiskelija Kauppakorkeakoulussa Tietojenkäsittelytieteen tiedekunnassa. Hänen tutkimusintresseihinsä kuuluvat datatieteen osa-alueet, kuten luonnollisen kielen käsittely ja aihemallinnus. Ohjelmistopäällikkö

Dmitri Sergejev

tietenkin

Koneoppimista ja data-analyysiä harjoittanut vuodesta 2012. Työskentelee tällä hetkellä WeatherWell: n tutkimus- ja kehitysjohtajana. Hänellä on kokemusta koneoppimisen käytännön soveltamisesta pelikehityksessä, pankkitoiminnassa ja terveystekniikassa. Hän opetti koneoppimista ja data-analyysiä Moskovan valtionyliopiston matemaattisen rahoituksen keskuksessa ja oli vierailevana luennoitsijana Kansallisen tutkimusyliopiston kauppakorkeakoulun tietojenkäsittelytieteen tiedekunnassa ja useissa kesäkouluissa. Koulutus: Taloustiede-matematiikka REU im. Plekhanov, Moskovan valtionyliopiston matematiikan ja matematiikan keskustieteellinen tiedekunta, kauppakorkeakoulun tietojenkäsittelytieteen tiedekunnan jatkokoulutus "Käytännön tietojen analysointi ja koneoppiminen", tietojenkäsittelytieteen maisteri Aalto Yliopistopino/kiinnostuksen kohteet: Python, koneoppiminen, aikasarjat, poikkeamien havaitseminen, avoin data, ML sosiaalisille hyvä

Edistyneet koneoppimistekniikat
-Aihe 1. Alkutunti. Tutustu koneoppimisen peruskonsepteihin käytännön esimerkin avulla
-Aihe 2. Päätöspuut
-Teema 3. Python for ML: putkistot, pandan kiihdytys, monikäsittely
-Aihe 4. Mallikokoonpanot
-Aihe 5. Gradientin tehostaminen
-Aihe 6. Tukivektorikone
-Aihe 7.Ulottuvuusvähennysmenetelmät
-Aihe 8. Oppiminen ilman opettajaa. K-keskiarvo, EM-algoritmi
-Aihe 9. Oppiminen ilman opettajaa. Hierarkkinen klusterointi. DB-Scan
-Aihe 10. Poikkeamien löytäminen tiedoista
-Aihe 11. Käytännön oppitunti - Päästä päähän -putkilinjojen rakentaminen ja mallien sarjoittaminen
-Aihe 12. Algoritmit kaavioissa

Tiedonkeruu. Tekstidatan analyysi.
-Aihe 13. Tiedonkeruu
-Aihe 14. Tekstidatan analyysi. Osa 1: Esikäsittely ja tokenointi
-Aihe 15. Tekstidatan analyysi. Osa 2: Sanojen vektoriesitykset, työskentely esiopetettujen upotusten kanssa
-Aihe 16. Tekstidatan analyysi. Osa 3: Nimetyn kokonaisuuden tunnistus
-Aihe 17. Tekstidatan analyysi. Osa 4: Aihemallinnus
-Aihe 18.K&A

Aikasarja-analyysi
-Aihe 19. Aikasarjaanalyysi. Osa 1: Ongelman selvitys, yksinkertaisimmat menetelmät. ARIMA malli
-Aihe 20. Aikasarjaanalyysi. Osa 2: Ominaisuuden poimiminen ja koneoppimismallien soveltaminen. Automaattinen ennustaminen
-Aihe 21. Aikasarjaanalyysi Osa 3: Aikasarjojen klusterointi (aiheeseen liittyvien osakekurssien etsiminen)

Recommender-järjestelmät
-Aihe 22. Suositusjärjestelmät. Osa 1: Ongelman selvitys, laatumittarit. Yhteistyösuodatus. Kylmäkäynnistys
-Aihe 23. Suositusjärjestelmät. Osa 2: Sisällön suodatus, hybridilähestymistavat. Yhdistyksen säännöt
-Aihe 24. Suositusjärjestelmät. Osa 3: Implisiittinen palaute
-Aihe 25. Käytännön oppitunti suositusjärjestelmistä. Yllätys
-Aihe 26.K&A

Lisäaiheita
-Aihe 27.Kaggle ML -koulutus nro 1
-Aihe 28.Kaggle ML -koulutus nro 2
-Aihe 29.ML Apache Sparkissa
-Aihe 30. Tietojenkäsittelyalan työpaikkojen haku

Projektityö
-Aihe 31. Aiheen valinta ja projektityön organisointi
-Aihe 32. Projektien ja kotitehtävien konsultointi
-Aihe 33. Suunnittelutyön suojaaminen

Tunnisteet pilvi

Miscellanea

luokitus

näkymät

Kommentit