Koneoppiminen. Jatko - ilmainen kurssi Otukselta, koulutus 5 kuukautta, Päivämäärä: 4.12.2023.
Miscellanea / / December 08, 2023
Hallitset edistyneitä koneoppimistekniikoita, joiden avulla voit tuntea olosi varmaksi johtavissa keski-/ylemmän tason tehtävissä ja selviytyä myös epätyypillisistä tehtävistä.
Laajennat työvälinevalikoimaasi. Lisäksi valitsimme käytännöistämme todellisia työtapauksia jopa sellaisiin aiheisiin kuin Bayesin menetelmät ja vahvistusoppiminen, joita yleensä opetetaan yksinomaan teorian muodossa.
Erillinen moduuli on omistettu tuotannossa työskentelemiseen: ympäristön asettamiseen, koodin optimointiin, päästä päähän -putkien rakentamiseen ja ratkaisujen toteuttamiseen.
Monipuoliset projektitehtävät
Kurssin aikana suoritat useita käytännön tehtäviä vahvistaaksesi taitojasi käsitellyistä aiheista. Jokainen tehtävä on käytännönläheinen data-analytiikkaprojekti, joka ratkaisee tietyn koneoppimissovelluksen.
Kenelle tämä kurssi on tarkoitettu?
Koneoppimista harjoittaville analyytikoille, ohjelmoijille ja datatieteilijöille. Kurssi auttaa sinua laajentamaan osaamistasi ja siirtymään pidemmälle urapolullasi.
Kurssin suoritettuasi pystyt:
Määritä ympäristö ja kirjoita tuotantokoodi valmiiksi käyttöönottoa varten
Työskentele AutoML-lähestymistapojen kanssa ja ymmärrä niiden käytön rajoitukset
Ymmärtää ja osaa soveltaa Bayesin menetelmiä ja vahvistusoppimista oleellisiin ongelmiin
Ratkaise suositusjärjestelmissä, aikasarjoissa ja kaavioissa esiintyvät epästandardit ongelmat
Aloitin koulun juotosraudalla kädessäni. Sitten oli ZX Spectrum. Menin yliopistoon insinööriksi. Mekaniikassa on paljon mielenkiintoista, mutta vuonna 2008 kiinnostus IT: tä kohtaan valtasi: tietokone...
Aloitin koulun juotosraudalla kädessäni. Sitten oli ZX Spectrum. Menin yliopistoon insinööriksi. Mekaniikassa on paljon mielenkiintoista, mutta vuonna 2008 kiinnostus IT: tä kohtaan valtasi: tietokoneverkot -> Delphi -> PHP -> Python. Kokeita on tehty muilla kielillä, mutta haluan kirjoittaa tällä kielellä. Osallistunut hermoverkkoja hyödyntäviin liiketoimintaprosessien automatisointiprojekteihin (Maxim-taksitilauspalvelu) ja lääketieteen tietojärjestelmien kehittämiseen. Työskenteli GIS-järjestelmien ja kuvankäsittelyn kanssa Pythonilla. Opetuksessa kanta on: "Jos joku ei osaa selittää jotain monimutkaista yksinkertaisin sanoin, hän ei ole siinä vielä kovin hyvä." ymmärtää.” Koulutus: Kurgan University, Department of Security of Information and Automated Systems, Ph.D. Valmistunut vuonna 2002 Kurgan State University tutkinnon "Monikäyttöiset tela- ja pyöräajoneuvot." Vuonna 2005 hän puolusti väitöskirjaansa aiheesta portaattomasti säädettävät vaihteistot. Siitä lähtien hän on työskennellyt virallisesti yliopistossa (KSU). Opettaja
Työskentelee data-analyytikkona hedge fund Meson Capitalissa. Osallistuu erilaisten osakemarkkinoiden käyttäytymistä ennustavien mallien rakentamiseen. Sitä ennen vietin yli 9 vuotta yritysongelmien ratkaisemisessa koneen pohjalta...
Työskentelee data-analyytikkona hedge fund Meson Capitalissa. Osallistuu erilaisten osakemarkkinoiden käyttäytymistä ennustavien mallien rakentamiseen. Sitä ennen hän vietti yli 9 vuotta koneoppimiseen perustuvien liiketoimintaongelmien ratkaisemisessa Alfa Bankin kaltaisissa yrityksissä, SberMegaMarket, HomeCredit, LPSU MIPT, tietokonenäön mallien rakentaminen, luonnollisen kielen käsittely ja aika rivit. Hän on vieraileva luennoitsija MIPT: ssä, jossa hän opettaa omaa kurssiaan "Practical ML". Valentin suoritti maisterin tutkinnon MIPT: ssä. Hänen kiinnostuksensa kuuluu dataohjattujen ratkaisujen infrastruktuurin toteuttaminen ja rakentaminen. Opettaja
Kokenut kehittäjä, tutkija ja kone/syväoppimisen asiantuntija, jolla on kokemusta suositusjärjestelmistä. Hänellä on yli 30 tieteellistä julkaisua venäjällä ja vierailla kielillä, hän on puolustellut väitöskirjansa analyysin aiheesta ja...
Kokenut kehittäjä, tutkija ja kone/syväoppimisen asiantuntija, jolla on kokemusta suositusjärjestelmistä. Hänellä on yli 30 tieteellistä julkaisua venäjällä ja vieraalla kielellä, ja hän on puolustellut väitöskirjansa aikasarjojen analysoinnista ja ennustamisesta. Valmistunut tietojenkäsittelytieteen tiedekunnasta National Research Universityn Moskovan voimatekniikan instituutissa, jossa vuonna 2008. suorittanut kandidaatin tutkinnon, maisterin tutkinnon vuonna 2010 ja teknisten tieteiden kandidaatin vuonna 2014. Jo ennen opinnäytetyön aloittamista kiinnostuin data-analyysistä ja ensimmäistä merkittävää projektiani toteuttaessani siirtyin tavallisesta ohjelmoijasta kehitysosaston johtajaksi. Noin 10 vuoden ajan hän opetti aiheeseen liittyviä tieteenaloja Kansallisen tutkimusyliopiston Moskovan voimatekniikan instituutissa toimien laitoksen apulaisprofessorina. Johtaa datatieteen ryhmiä, jotka kehittävät projekteja NLP: n, RecSysin, aikasarjan ja Computer Vision Teacherin alalla
Edistynyt koneoppiminen. AutoML
-Aihe 1. Projektin tuotantokoodi luokittelu/regressio-ongelman esimerkillä, virtuaaliympäristöt, riippuvuuden hallinta, pypi/gemfury
-Aihe 2. Käytännön oppitunti - Koodin optimointi, rinnakkaistoiminto, monikäsittely, pandakiihdytys, Modin for Pandas
-Aihe 3. Edistynyt tietojen esikäsittely. Kategoriset koodaukset
-Aihe 4. Featuretools - aiotko keksiä ominaisuuksia minulle?
-Aihe 5.H2O ja TPOT - aiotko rakentaa malleja minulle?
Tuotanto
-Aihe 6. Käytännön oppitunti - Päästä päähän -putkien rakentaminen ja mallien sarjoittaminen
-Aihe 7.REST-arkkitehtuuri: Flask API
-Aihe 8. Docker: Rakenne, sovellus, käyttöönotto
-Aihe 9.Kubernetes, konttiorkesteri
-Aihe 10. Käytännön oppitunti tuotantotyöstä: Dockerin käyttöönotto AWS: ssä
Aikasarja
-Aihe 11. Ominaisuuden poiminta. Fourier- ja Wavelet-muunnos, automaattinen ominaisuuksien luominen - tsfresh
-Aihe 12. Valvomattomat lähestymistavat: Aikasarjaklusterointi
-Aihe 13. Valvomattomat lähestymistavat: Aikasarjojen segmentointi
Recommender-järjestelmät. Ranking tehtävä
-Aihe 14. Suositusjärjestelmät 1. Selkeä palaute
-Aihe 15. Suositusjärjestelmät 2. Implisiittinen palaute
-Aihe 16. Ranking-tehtävä - Luokittelun oppiminen
-Aihe 17. Käytännön oppitunti suositusjärjestelmistä. Yllätys!
-Aihe 18.K&A
Kaaviot
-Aihe 19. Johdatus kuvaajiin: peruskäsitteet. NetworkX, Stellar
-Aihe 20. Graafianalyysi ja tulkinta. Yhteisön havaitseminen
-Aihe 21. Linkin ennustus ja solmuluokitus
-Aihe 22. Käytännön oppitunti: Vihaajat Twitterissä
Bayesian oppiminen, PyMC
-Aihe 23. Johdatus todennäköisyyspohjaiseen mallinnukseen, jälkiarvioinnit, otanta
-Teema 24. Markovin ketju Monte-Carlo (MCMC), Metropolis–Hastings
-Aihe 25. Bayesian AB-testaus
-Aihe 26.Yleistetty lineaarinen malli (GLM) - Bayesin regressiot, kertoimien posterioriestimaattien johtaminen
-Aihe 27. Käytännön oppitunti GLM: stä
-Aihe 28. Bayesin luottamusverkosto: käytännön harjoitus
-Aihe 29. Käytännön oppitunti logit-regressiosta
Vahvistusoppiminen
-Aihe 30. Johdatus vahvistavaan oppimiseen
-Aihe 31. Monikätiset rosvot AB-testauksen optimointiin, teoriasta - suoraan taisteluun
-Aihe 32. Käytännön oppitunti: Monikätiset rosvot verkkokaupassa: hakuoptimointi
-Aihe 33. Markovin päätösprosessi, arvofunktio, Bellmanin yhtälö
-Aihe 34.Arvojen iteraatio, Käytännön iteraatio
-Aihe 35. Käytännön oppitunti: lääketieteellinen tapaus Markov Chain Monte Carlo
-Aihe 36. Ajallinen ero (TD) ja Q-oppiminen
-Aihe 37.SARSA ja käytännön oppitunti: Financial Case TD ja Q-learning
-Aihe 38.K&A
Projektityö
-Aihe 39. Projektin konsultointi, aiheen valinta
-Aihe 40.Bonus: Datatieteen työpaikkojen etsiminen
-Aihe 41. Suunnittelutyön suojaaminen
Koneoppimisen johdantokurssi. Ratkaisun rakentamisen koko sykli huomioidaan: alkutietojen (.xlsx-tiedosto) valinnasta mallin rakentaminen ja loppuasiakkaalle selvittäminen tiedon ominaisuuksista ja vastaanotetun tiedon erityispiirteistä tulos. Teoreettiset osat - luokittelu, regressio, ennusteet, yhdistelmät - annetaan yleiskatsauksena siltä osin kuin on tarpeen analysoitavien esimerkkien oikean konstruoinnin ja ymmärtämisen kannalta.
4
41 500 ₽