Maschinelles Lernen. Grundkurs 52.668 Rubel. von Otus, Ausbildung 6 Monate, Datum 27. Februar 2023.

Verschiedenes / by admin / November 30, 2023

click fraud protection

Sie lernen, Probleme aus realen Arbeitsprozessen zu lösen, die am häufigsten unerfahrenen Spezialisten im Bereich Data Science zugewiesen werden. Am Ende des Kurses haben Sie ein Arbeitsportfolio zusammengestellt, Vorstellungsgespräche vorbereitet und Karriereberatung abgeschlossen.

Der Kurs vermittelt Ihnen die notwendigen Grundlagen:
Python. Sie erlernen die Grundlagen der Programmierung und lernen, wie Sie diese relevanteste Sprache in Aufgaben des maschinellen Lernens verwenden.
Mathematik. Beherrschen Sie wichtige Abschnitte, um die theoretischen Grundlagen und Prinzipien von Algorithmen zu verstehen.
Klassische Modelle des maschinellen Lernens. Sammeln Sie Ihre Datensätze und schließen Sie mit Ihren ersten Modellen eine vollständige Arbeitspipeline ab.

Kreative Atmosphäre:
Während der Ausbildung tauchen Sie in Bedingungen ein, die den realen Arbeitsabläufen nahe kommen. Sie müssen mit schmutzigen Daten umgehen, vorausdenken, mit Lösungen experimentieren und Modelle für die Produktion vorbereiten.

instagram viewer

Die Unterrichtsumgebung ermutigt die Schüler, neugierig zu sein, aktiv zu diskutieren und keine Angst vor Fehlern zu haben.

Persönlicher Mentor:
Online-Sitzungen für 40 Minuten jede Woche;
Zu Beginn Ihrer Ausbildung wird Ihnen ein Mentor zugeteilt. Mentoren sind wie Lehrer Experten, die in der Datenwissenschaft arbeiten;
Einmal pro Woche machen Sie Ihre Hausaufgaben, veröffentlichen sie auf GitHub und vereinbaren einen Anruf mit Ihrem Mentor;
Der Mentor macht sich vorab mit Ihrem Code vertraut, sodass er zum Zeitpunkt des Treffens bereits weiß, worauf er achten muss. Sie können auch Fragen vorbereiten;
Während der Sitzung wird der Mentor Ihre Entscheidung kommentieren. Bei Bedarf können Sie sofort in die Entwicklungsumgebung gehen, Änderungen am Code vornehmen und sofort das Ergebnis sehen.

Nach der Schulung sind Sie in der Lage:
Bewerben Sie sich auf Stellen, die Nachwuchskompetenzen erfordern
Lösen Sie echte Geschäftsprobleme mit Methoden des maschinellen Lernens
Arbeiten Sie mit Python-Bibliotheken für maschinelles Lernen
Bewältigung ungewöhnlicher Situationen durch ein tiefes theoretisches Verständnis der Funktionsweise von Algorithmen und Modellen
Navigieren Sie in verschiedenen Bereichen der Data Science und wählen Sie für die Aufgabe geeignete Tools aus.

Maria Tichonowa

Kurs

Arbeitet als Datenanalyst im AGI NLP-Team der Sberbank. Arbeitet an Sprachmodellen für neuronale Netze und deren Anwendung bei realen Problemen. Ist davon überzeugt, dass die Arbeit im Bereich Data Science eine einzigartige...

Arbeitet als Datenanalyst im AGI NLP-Team der Sberbank. Arbeitet an Sprachmodellen für neuronale Netze und deren Anwendung bei realen Problemen. Er glaubt, dass die Arbeit im Bereich Data Science eine einzigartige Gelegenheit bietet, verrückte, coole Dinge am Rande der Wissenschaft zu tun, die die Welt hier und jetzt verändern. Lehrt Fächer in Datenanalyse, maschinellem Lernen und Datenwissenschaft an der Higher School of Economics. Maria absolvierte die Fakultät für Mechanik und Mathematik der Moskauer Staatlichen Universität und die Yandex School of Data Analysis. Maria ist derzeit Doktorandin an der Higher School of Economics der Fakultät für Informatik. Ihre Forschungsinteressen umfassen datenwissenschaftliche Bereiche wie die Verarbeitung natürlicher Sprache und Themenmodellierung. Progamm Manager

Dmitri Sergejew

Kurs

Praktiziert maschinelles Lernen und Datenanalyse seit 2012. Derzeit arbeitet er als Forschungs- und Entwicklungsleiter bei WeatherWell. Hat Erfahrung in der praktischen Anwendung von maschinellem Lernen in der Spieleentwicklung, im Bankwesen und im Gesundheitstechnologiebereich. Er lehrte maschinelles Lernen und Datenanalyse am Zentrum für Mathematische Finanzen der Moskauer Staatsuniversität und war Gastdozent an der Fakultät für Informatik der National Research University Higher School of Economics und an verschiedenen Sommerschulen. Ausbildung: Wirtschaftswissenschaften-Mathematik REU im. Plechanow, Zentrale Fakultät für Mathematik und Mathematik der Moskauer Staatlichen Universität, Fortbildung der Fakultät für Informatik der Hochschule für Wirtschaft „Praktische Datenanalyse und maschinelles Lernen“, MSc Informatik Aalto Universitäts-Stack/Interessen: Python, maschinelles Lernen, Zeitreihen, Anomalieerkennung, offene Daten, ML für soziale Netzwerke Gut

Einführung in Python
-Thema 1. Kennenlernen
-Thema 2. Einrichten der Arbeitsumgebung
-Thema 3.Grundlegende Typen und Datenstrukturen. Ablaufsteuerung
-Thema 4. Arbeiten mit Funktionen und Daten
-Thema 5.Git, Shell

Einführung in Python. OOP, Module, Datenbanken
-Thema 6. Grundlagen von OOP
-Thema 7.Erweitertes OOP, Ausnahmen
-Thema 8.Erweitertes OOP, Fortsetzung
-Thema 9.Module und Importe
-Thema 10.Tests
-Thema 11. Einführung in integrierte Module
-Thema 12. Dateien und Netzwerk

Python-Grundlagen für ML
-Thema 13. NumPy-Grundlagen
-Thema 14. Pandas-Grundlagen
-Thema 15. Datenvisualisierung

Theoretisches Minimum für ML: Mathematik, Linearität, Statistik
-Thema 16. Matrizen. Grundlegende Konzepte und Operationen
-Thema 17.Praxis. Matrizen
-Thema 18. Differenzierung und Optimierung von Funktionen
-Thema 19.Praxis. Differenzierung und Optimierung von Funktionen
-Thema 20. Algorithmen und Rechenkomplexität
-Thema 21.MNC und MSE
-Thema 22.Praxis. MNUs und KMUs
-Thema 23. Zufallsvariablen und ihre Modellierung
-Thema 24.Praxis. Zufallsvariablen und ihre Modellierung
-Thema 25. Untersuchung von Abhängigkeiten: nominale, ordinale und quantitative Größen
-Thema 26.Praxis. Untersuchung von Abhängigkeiten: nominale, ordinale und quantitative Größen
-Thema 27.AB-Tests

Grundlegende Methoden des maschinellen Lernens
-Thema 28. Einführung in maschinelles Lernen
-Thema 29.Explorative Datenanalyse und Vorverarbeitung
-Thema 30. Klassifizierungsproblem. Methode der nächsten Nachbarn
-Thema 31. Regressionsproblem. Lineare Regression
-Thema 32.Logistische Regression
-Thema 33. Entscheidungsbäume
-Thema 34.Feature-Engineering und erweiterte Vorverarbeitung
-Thema 35. Praktische Lektion – Kaggle lösen mit allem, was wir gelernt haben

Projektarbeit
-Thema 36. Themenauswahl und Organisation der Projektarbeit
-Thema 37. Projektberatung
-Thema 38.Projektschutz

Tags Wolke

Verschiedenes

Bewertung

Ansichten

Bemerkungen