0
Views
Mašīnmācīšanās — kurss RUB 39 240. no SkillFactory, apmācība 12 nedēļas, datums 2023. gada 13. augusts.
Literārs Mistrojums / / December 02, 2023
No kā sastāv kurss?
Kursā ietilpst 10 moduļi, vairāk nekā 500 vingrinājumi materiāla nostiprināšanai, apmācība 10 mašīnmācīšanās algoritmos, 2 kaggle hakatoni, tērzēšana ar kopienu un mentoru atbalsts.
Datu zinātnes specializācija sastāv no kursiem:
Python
Math&Stat
Mašīnmācība
Dziļa mācīšanās
Datu inženierija
Vadība
Prasmju apmācība
Katra tēma ir aplūkota videoklipos, ekrānuzņēmumos un piezīmēs, kā arī papildināta ar desmitiem vingrinājumu (testi, koda atkļūdošana, studenta koda pārbaude).
Kopiena un mentors
Kursu laikā jūs nepaliksit viens ar grūtībām – jums palīdzēs ne tikai klasesbiedri, bet arī kursa mentors.
Modeļu apmācība
Kursā par katru tēmu jūs strādājat ar ML modeli - precizējat, veidojat no nulles, optimizējat, izmēģiniet dažādas metodes.
Ievads mašīnmācībā
— Iepazīstamies ar mašīnmācīšanās galvenajiem uzdevumiem un metodēm, pētām praktiskos gadījumus un pielietojam pamata algoritmu darbam pie ML projekta
— Mēs risinām 50+ problēmas, lai tēmu nostiprinātu
Datu priekšapstrādes metodes
— Mēs pētām datu tipus, mācāmies tīrīt un bagātināt datus, izmantot vizualizāciju priekšapstrādei un apgūt funkciju inženieriju
— Mēs risinām 60+ problēmas, lai tēmu konsolidētu
Regresija
— Mēs pētām datu tipus, mācāmies tīrīt un bagātināt datus, apgūstam lineāro un loģistisko regresiju, pētām pielietojamības robežas, analītiskos secinājumus un regularizāciju
— Regresijas modeļu apmācība
— Tēmas nostiprināšanai risinām 40+ problēmas
Klasterizācija
— Apgūstam mācīšanos bez skolotāja, praktizējam tās dažādās metodes, strādājam ar tekstiem, izmantojot ML
— Mēs risinām 50+ problēmas, lai tēmu nostiprinātu
Uz kokiem balstīti algoritmi: ievads kokiem
— Iepazīšanās ar lēmumu kokiem un to īpašībām, koku apguve no sklearn bibliotēkas un koku izmantošana regresijas problēmas risināšanai
— Tēmas nostiprināšanai risinām 40+ problēmas
Uz kokiem balstīti algoritmi: ansambļi
— Mēs pētām koku ansambļu iezīmes, praktizējam pastiprināšanu, izmantojam ansambli, lai izveidotu loģistikas regresiju
— Tēmas nostiprināšanai risinām 40+ problēmas
— Mēs piedalāmies konkursā uz kaggle par koku modeļa apmācību
Algoritmu kvalitātes novērtēšana
— Izpētām izlases dalīšanas, nepietiekamas un pārtrenēšanās principus, vērtējam modeļus, izmantojot dažādus kvalitātes rādītājus, mācāmies vizualizēt mācību procesu
— Izvērtējam vairāku ML modeļu kvalitāti
— Tēmas nostiprināšanai risinām 40+ problēmas
Laika rindas mašīnmācībā
— Iepazīšanās ar laikrindu analīzi ML, lineāro modeļu un XGBoost apgūšana, savstarpējās validācijas un parametru izvēles principu izpēte
— Mēs risinām 50+ problēmas, lai tēmu nostiprinātu
Ieteikuma sistēmas
— Mēs pētām ieteikumu sistēmu konstruēšanas metodes, apgūstam SVD algoritmu, novērtējam apmācītā modeļa ieteikumu kvalitāti
— Mēs risinām 50+ problēmas, lai tēmu nostiprinātu
Fināls hakatons
— Mēs izmantojam visas pētītās metodes, lai iegūtu maksimālu kaggle modeļa prognožu precizitāti
Abonēt
YOU MIGHT ALSO LIKE
