Mašīnmācība. Pamata - kurss 52 668 rub. no Otus, apmācība 6 mēneši, datums 27.02.2023.

Literārs Mistrojums / by admin / November 30, 2023

click fraud protection

Problēmas iemācīsies risināt no reāliem darba procesiem, kas visbiežāk tiek uzticēti iesācējiem datu zinātnes speciālistiem. Kursa beigās būsiet savācis darbu portfeli, pabeidzis sagatavošanos intervijai un karjeras konsultācijas.

Kurss sniegs jums nepieciešamo pamatu:
Python. Jūs iepazīsities ar programmēšanas pamatiem un uzzināsit, kā izmantot šo visatbilstošāko valodu mašīnmācīšanās uzdevumos.
Matemātika. Apgūstiet galvenās sadaļas, lai izprastu algoritmu teorētiskos pamatus un principus.
Klasiskie mašīnmācīšanās modeļi. Apkopojiet savas datu kopas un pabeidziet visu darbu ar pirmajiem modeļiem.

Radoša atmosfēra:
Apmācību laikā tiksi iegrimis reāliem darba procesiem pietuvinātos apstākļos. Jums būs jārisina netīri dati, jādomā uz priekšu, jāeksperimentē ar risinājumiem un jāsagatavo modeļi ražošanai.
Klases vide mudina skolēnus būt zinātkāriem, aktīvi diskutēt un nebaidīties kļūdīties.

Personīgais mentors:
Tiešsaistes sesijas 40 minūtes katru nedēļu;
Apmācības sākumā jums tiek nozīmēts mentors. Tāpat kā skolotāji, mentori ir eksperti, kas strādā datu zinātnē;

instagram viewer

Reizi nedēļā pildāt mājasdarbu, publicējiet to GitHub un vienojieties par zvanu ar savu mentoru;
Mentors jau iepriekš iepazīstas ar jūsu kodu, tāpēc līdz tikšanās brīdim viņš jau zina, kam pievērst uzmanību. Varat arī sagatavot jautājumus;
Sesijas laikā mentors komentēs jūsu lēmumu. Ja nepieciešams, uzreiz var doties uz izstrādes vidi, veikt izmaiņas kodā un uzreiz redzēt rezultātu.

Pēc apmācības jūs varēsiet:
Piesakieties amatiem, kuros nepieciešamas junioru kompetences
Atrisiniet reālas biznesa problēmas, izmantojot mašīnmācīšanās metodes
Strādājiet ar Python bibliotēkām mašīnmācībai
Nestandarta situāciju risināšana, izmantojot dziļu teorētisko izpratni par algoritmu un modeļu darbību
Pārvietojieties dažādās datu zinātnes jomās un atlasiet uzdevumam piemērotus rīkus.

Marija Tihonova

protams

Strādā par datu analītiķi AGI NLP komandā Sberbank. Strādā pie neironu tīklu valodu modeļiem un to pielietojuma reālās dzīves problēmās. Uzskata, ka darbs datu zinātnes jomā sniedz unikālu...

Strādā par datu analītiķi AGI NLP komandā Sberbank. Strādā pie neironu tīklu valodu modeļiem un to pielietojuma reālās dzīves problēmās. Viņš uzskata, ka darbs datu zinātnes jomā sniedz unikālu iespēju zinātnes malā darīt traki foršas lietas, kas maina pasauli šeit un tagad. Ekonomikas augstskolā pasniedz priekšmetus datu analīzē, mašīnmācībā un datu zinātnē. Marija absolvējusi Maskavas Valsts universitātes Mehānikas un matemātikas fakultāti un Yandex datu analīzes skolu. Pašlaik Marija ir Ekonomikas augstskolas Datorzinātņu fakultātes maģistrantūras studente. Viņas pētniecības intereses ietver tādas datu zinātnes jomas kā dabiskās valodas apstrāde un tēmu modelēšana. Programmas vadītājs

Dmitrijs Sergejevs

protams

Praktizē mašīnmācīšanos un datu analīzi kopš 2012. gada. Pašlaik strādā par pētniecības un attīstības vadītāju uzņēmumā WeatherWell. Ir pieredze mašīnmācības praktiskā pielietošanā spēļu izstrādē, banku darbībā un Health Tech. Viņš pasniedza mašīnmācību un datu analīzi Maskavas Valsts universitātes Matemātisko finanšu centrā, kā arī bija vieslektors Nacionālās pētniecības universitātes Ekonomikas augstskolas Datorzinātņu fakultātē un dažādās vasaras skolās. Izglītība: Ekonomika-matemātika REU im. Plehanovs, Maskavas Valsts universitātes Centrālā matemātikas un matemātikas fakultāte, Ekonomikas augstskolas Datorzinātņu fakultātes padziļināta profesionālā apmācība "Praktiskā datu analīze un mašīnmācīšanās", MSc Datorzinātnes Aalto Universitātes kopa/intereses: Python, mašīnmācīšanās, laikrindas, anomāliju noteikšana, atvērtie dati, ML sociālajiem labi

Ievads Python
-1.tēma.Iepazīšanās
-2.tēma. Darba vides iekārtošana
-3.tēma.Pamattipi un datu struktūras. Plūsmas kontrole
-4.tēma. Darbs ar funkcijām un datiem
-5. tēma. Git, apvalks

Ievads Python. OOP, moduļi, datu bāzes
-6. tēma. OOP pamati
-Tēma 7. Advanced OOP, izņēmumi
-Tēma 8. Advanced OOP, turpinājums
-9.tēma.Moduļi un imports
-10.tēma.Pārbaudes
-11.tēma.Ievads ar iebūvētajiem moduļiem
-12. tēma. Faili un tīkls

Python pamati ML
-13. tēma. NumPy pamati
-14. tēma. Pandas pamati
-15.tēma.Datu vizualizācija

Teorētiskais minimums ML: matemātika, lineāra, statistika
-16.tēma.Matricas. Pamatjēdzieni un darbības
-17.tēma.Prakse. Matricas
-18.tēma. Funkciju diferenciācija un optimizācija
-19.tēma.Prakse. Funkciju diferencēšana un optimizācija
-20. tēma. Algoritmi un skaitļošanas sarežģītība
-Tēma 21.MNC un MSE
-22.tēma.Prakse. Starptautiskie uzņēmumi un MSE
-23. tēma. Nejaušie lielumi un to modelēšana
-24.tēma.Prakse. Nejaušie mainīgie un to modelēšana
-25. tēma. Atkarību izpēte: nominālie, kārtas un kvantitatīvie lielumi
-26.tēma.Prakse. Atkarību izpēte: nominālie, kārtas un kvantitatīvie lielumi
-Tēma 27.AB testēšana

Mašīnmācīšanās pamatmetodes
-28. tēma. Ievads mašīnmācībā
-29. tēma. Izpētes datu analīze un priekšapstrāde
-Tēma 30. Klasifikācijas problēma. Tuvāko kaimiņu metode
-31.tēma.Regresijas problēma. Lineārā regresija
-32.tēma.Loģistiskā regresija
-33.tēma.Lēmumu koki
- 34. tēma. Funkciju inženierija un uzlabota priekšapstrāde
-35. tēma. Praktiskā nodarbība - Kaggle risināšana, izmantojot visu, ko esam iemācījušies

Projekta darbs
-36.tēma. Tēmas izvēle un projekta darba organizācija
-Tēma 37. Projekta konsultācija
-38.tēma.Projekta aizsardzība

Tags mākonis

Literārs Mistrojums

novērtējums

Views

Komentāri