Pembelajaran mesin. Profesional - kursus gratis dari Otus, pelatihan 5 bulan, Tanggal: 2 Desember 2023.
Miscellanea / / December 05, 2023
Anda akan secara konsisten menguasai alat analisis data modern dan mampu membuat model pembelajaran mesin di tingkat profesional. Untuk mengkonsolidasikan keterampilan Anda dengan setiap algoritme, Anda akan melakukan seluruh rangkaian pekerjaan mulai dari menyiapkan kumpulan data hingga menganalisis hasil dan mempersiapkan produksi. Latihan dan pengetahuan yang akan Anda terima akan cukup untuk menyelesaikan masalah ML klasik secara mandiri dan melamar posisi Junior+ dan Middle Data Scientist.
Proyek portofolio
Selama kursus, Anda akan menyelesaikan beberapa proyek portofolio dan belajar bagaimana mempresentasikan hasil pekerjaan Anda secara kompeten agar dapat lulus wawancara. Untuk tugas akhir Anda, Anda dapat mengambil salah satu opsi yang diusulkan oleh guru atau menerapkan ide Anda sendiri.
Untuk siapa kursus ini?
Untuk analis pemula dan Ilmuwan Data. Kursus ini akan membantu Anda mensistematisasikan dan memperdalam pengetahuan Anda. Anda akan dapat bereksperimen dengan pendekatan, menganalisis kasus kerja, dan menerima umpan balik berkualitas tinggi dari para ahli.
Bagi para developer dan spesialis di bidang lain yang ingin berganti profesi dan berkembang di bidang Ilmu Data. Kursus ini akan memberi Anda kesempatan untuk membangun portofolio yang kuat dan membenamkan diri dalam atmosfer tugas kehidupan nyata sebagai ilmuwan data.
Untuk mempelajarinya, Anda memerlukan pengalaman Python pada tingkat penulisan fungsi Anda sendiri, serta pengetahuan tentang analisis matematika, aljabar linier, teori probabilitas, dan matematika. statistik.
Fitur Kursus
Praktik dan Tren Terbaik. Setiap peluncuran, program ini diperbarui untuk mencerminkan tren yang berubah dengan cepat dalam Ilmu Data. Setelah pelatihan, Anda akan dapat segera mulai mengerjakan proyek nyata.
Keterampilan sekunder yang penting. Kursus ini mencakup topik-topik yang biasanya diabaikan, tetapi penting bagi seorang spesialis dalam tugas sehari-hari dan sangat dihargai oleh pemberi kerja:
— membangun sistem untuk mencari anomali secara otomatis;
— memperkirakan deret waktu menggunakan pembelajaran mesin;
— alur end-to-end untuk bekerja dengan data, siap diimplementasikan dalam produksi.
Suasana dan kondisi kreatif mendekati proses kerja nyata. Keseluruhan kursus dibuat sebagai simulator kehidupan kerja sehari-hari seorang data scientist, yang harus Anda hadapi data “kotor”, hitung tindakan Anda terlebih dahulu, bereksperimen dengan solusi, dan persiapkan model produksi Dalam hal ini, Anda membutuhkan rasa ingin tahu, ketekunan, dan haus akan pengalaman baru.
3
kursusBekerja sebagai analis data di tim AGI NLP di Bank Tabungan. Bekerja pada model bahasa jaringan saraf dan penerapannya dalam masalah kehidupan nyata. Percaya bahwa bekerja di bidang Ilmu Data memberikan pengalaman yang unik...
Bekerja sebagai analis data di tim AGI NLP di Bank Tabungan. Bekerja pada model bahasa jaringan saraf dan penerapannya dalam masalah kehidupan nyata. Ia percaya bahwa bekerja di bidang Ilmu Data memberikan peluang unik untuk melakukan hal-hal keren di bidang sains yang mengubah dunia saat ini. Mengajar mata pelajaran analisis data, pembelajaran mesin, dan ilmu data di Sekolah Tinggi Ekonomi. Maria lulus dari Fakultas Mekanika dan Matematika Universitas Negeri Moskow dan Sekolah Analisis Data Yandex. Maria saat ini adalah mahasiswa pascasarjana di Sekolah Tinggi Ekonomi di Fakultas Ilmu Komputer. Minat penelitiannya mencakup bidang ilmu data seperti pemrosesan bahasa alami dan pemodelan topik. Manajer Program
3
kursusMempraktikkan pembelajaran mesin dan analisis data sejak 2012. Saat ini bekerja sebagai Kepala Litbang di WeatherWell. Memiliki pengalaman dalam penerapan praktis pembelajaran mesin dalam pengembangan game, perbankan, dan...
Mempraktikkan pembelajaran mesin dan analisis data sejak 2012. Saat ini bekerja sebagai Kepala Litbang di WeatherWell. Memiliki pengalaman dalam penerapan praktis pembelajaran mesin dalam pengembangan game, perbankan, dan Teknologi Kesehatan. Dia mengajar pembelajaran mesin dan analisis data di Pusat Keuangan Matematika Universitas Negeri Moskow, dan menjadi dosen tamu di Fakultas Ilmu Komputer Sekolah Tinggi Ekonomi Universitas Riset Nasional dan berbagai sekolah musim panas. Pendidikan: Ekonomi-matematika REU im. Plekhanov, Fakultas Pusat Matematika dan Matematika Universitas Negeri Moskow, pelatihan profesional lanjutan dari Fakultas Ilmu Komputer Sekolah Tinggi Ekonomi "Analisis data praktis dan pembelajaran mesin", MSc Ilmu Komputer Aalto Tumpukan/Minat Universitas: Python, Pembelajaran Mesin, Rangkaian Waktu, Deteksi Anomali, Data Terbuka, ML untuk sosial Bagus
Teknik Pembelajaran Mesin Tingkat Lanjut
-Topik 1. Pelajaran pengantar. Tinjau kembali konsep dasar pembelajaran mesin dengan contoh praktis
-Topik 2.Pohon keputusan
-Tema 3.Python untuk ML: pipeline, akselerasi panda, multiprosesing
-Topik 4.Model ansambel
-Topik 5. Peningkatan gradien
-Topik 6.Mendukung mesin vektor
-Topik 7.Metode pengurangan dimensi
-Topik 8. Belajar tanpa guru. K-means, algoritma EM
-Topik 9. Belajar tanpa guru. Pengelompokan hierarki. Pemindaian DB
-Topik 10. Menemukan anomali dalam data
-Topik 11. Pelajaran praktis - Konstruksi jaringan pipa ujung ke ujung dan serialisasi model
-Topik 12.Algoritma pada grafik
Pengumpulan data. Analisis data teks.
-Topik 13. Pengumpulan data
-Topik 14.Analisis data teks. Bagian 1: Pemrosesan awal dan tokenisasi
-Topik 15.Analisis data teks. Bagian 2: Representasi kata-kata vektor, bekerja dengan embeddings terlatih
-Topik 16.Analisis data teks. Bagian 3: Pengakuan Entitas Bernama
-Topik 17.Analisis data teks. Bagian 4: Pemodelan Topik
-Topik 18.Tanya Jawab
Analisis Rangkaian Waktu
-Topik 19. Analisis deret waktu. Bagian 1: Pernyataan masalah, metode paling sederhana. model ARIMA
-Topik 20. Analisis deret waktu. Bagian 2: Ekstraksi fitur dan penerapan model pembelajaran mesin. Perkiraan otomatis
-Topik 21. Analisis deret waktu Bagian 3: Clustering deret waktu (mencari harga saham terkait)
Sistem pemberi rekomendasi
-Topik 22. Sistem pemberi rekomendasi. Bagian 1: Pernyataan masalah, metrik kualitas. Pemfilteran kolaboratif. Awal yang dingin
-Topik 23. Sistem pemberi rekomendasi. Bagian 2: Pemfilteran konten, pendekatan hibrid. Aturan asosiasi
-Topik 24. Sistem pemberi rekomendasi. Bagian 3: Umpan balik implisit
-Topik 25. Pelajaran praktis tentang sistem pemberi rekomendasi. Kejutan
-Topik 26.Tanya Jawab
Topik tambahan
-Topik 27.Pelatihan Kaggle ML No.1
-Topik 28.Pelatihan Kaggle ML No.2
-Topik 29.ML di Apache Spark
-Topik 30.Mencari pekerjaan Ilmu Data
Pekerjaan proyek
-Topik 31. Pemilihan topik dan organisasi pekerjaan proyek
-Topik 32. Konsultasi proyek dan pekerjaan rumah
-Topik 33.Perlindungan karya desain