Maschinelles Lernen. Professionell – kostenloser Kurs von Otus, Ausbildung 5 Monate, Datum: 2. Dezember 2023.
Verschiedenes / / December 05, 2023
Sie beherrschen moderne Datenanalysetools konsequent und sind in der Lage, Machine-Learning-Modelle auf professionellem Niveau zu erstellen. Um Ihre Fähigkeiten mit jedem Algorithmus zu festigen, führen Sie eine vollständige Arbeitspipeline durch, von der Vorbereitung des Datensatzes über die Analyse der Ergebnisse bis hin zur Vorbereitung für die Produktion. Die Praxis und das Wissen, die Sie erhalten, reichen aus, um klassische ML-Probleme selbstständig zu lösen und sich für Stellen im Junior+ und Middle Data Scientist zu bewerben.
Portfolio-Projekte
Im Rahmen des Studiums absolvieren Sie mehrere Portfolioprojekte und lernen, die Ergebnisse Ihrer Arbeit kompetent zu präsentieren, um Vorstellungsgespräche zu bestehen. Für Ihr Abschlussprojekt können Sie eine der vom Lehrer vorgeschlagenen Optionen wählen oder Ihre eigene Idee umsetzen.
Für wen ist dieser Kurs geeignet?
Für angehende Analysten und Datenwissenschaftler. Der Kurs hilft Ihnen, Ihr Wissen zu systematisieren und zu vertiefen. Sie können mit Ansätzen experimentieren, Arbeitsfälle analysieren und hochwertiges Feedback von Experten erhalten.
Für Entwickler und Spezialisten in anderen Bereichen, die ihren Beruf wechseln und sich im Bereich Data Science weiterentwickeln möchten. Der Kurs bietet Ihnen die Möglichkeit, ein starkes Portfolio aufzubauen und in die Atmosphäre realer Aufgaben als Datenwissenschaftler einzutauchen.
Zum Lernen benötigen Sie Python-Erfahrung auf der Ebene des Schreibens eigener Funktionen sowie Kenntnisse in mathematischer Analyse, linearer Algebra, Wahrscheinlichkeitstheorie und Mathematik. Statistiken.
Kursfunktionen
Best Practices und Trends. Bei jedem Start wird das Programm aktualisiert, um den sich schnell ändernden Trends in der Datenwissenschaft Rechnung zu tragen. Nach der Schulung können Sie sofort mit der Arbeit an realen Projekten beginnen.
Wichtige sekundäre Fähigkeiten. Der Kurs umfasst Themen, die normalerweise übersehen werden, aber für eine Fachkraft bei alltäglichen Aufgaben notwendig sind und von Arbeitgebern sehr geschätzt werden:
— Aufbau von Systemen zur automatischen Suche nach Anomalien;
— Vorhersage von Zeitreihen mithilfe maschinellen Lernens;
– End-to-End-Pipelines für die Arbeit mit Daten, bereit für die Implementierung in der Produktion.
Kreative Atmosphäre und Bedingungen nah an echten Arbeitsabläufen. Der gesamte Kurs ist als Simulation des Arbeitsalltags eines Datenwissenschaftlers aufgebaut, mit dem Sie zurechtkommen müssen „schmutzige“ Daten, berechnen Sie Ihre Aktionen im Voraus, experimentieren Sie mit Lösungen und bereiten Sie Modelle vor Produktion In diesem Fall sind Neugier, Ausdauer und die Lust auf neue Erfahrungen gefragt.
3
KursArbeitet 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
3
KursPraktiziert 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...
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
Fortgeschrittene Techniken des maschinellen Lernens
-Thema 1. Einführungslektion. Erinnern Sie sich anhand eines praktischen Beispiels noch einmal an grundlegende Konzepte des maschinellen Lernens
-Thema 2. Entscheidungsbäume
-Thema 3.Python für ML: Pipelines, Pandas-Beschleunigung, Multiprocessing
-Thema 4.Modellensembles
-Thema 5.Gradientenverstärkung
-Thema 6.Unterstützung der Vektormaschine
-Thema 7. Methoden zur Dimensionsreduktion
-Thema 8. Lernen ohne Lehrer. K-Mittel, EM-Algorithmus
-Thema 9. Lernen ohne Lehrer. Hierarchisches Clustering. DB-Scan
-Thema 10. Anomalien in Daten finden
-Thema 11. Praktische Lektion – Aufbau von End-to-End-Pipelines und Serialisierung von Modellen
-Thema 12.Algorithmen auf Graphen
Datensammlung. Analyse von Textdaten.
-Thema 13. Datenerfassung
-Thema 14.Analyse von Textdaten. Teil 1: Vorverarbeitung und Tokenisierung
-Thema 15.Analyse von Textdaten. Teil 2: Vektordarstellungen von Wörtern, Arbeiten mit vorab trainierten Einbettungen
-Thema 16.Analyse von Textdaten. Teil 3: Anerkennung benannter Entitäten
-Thema 17.Analyse von Textdaten. Teil 4: Themenmodellierung
-Thema 18.Fragen und Antworten
Zeitreihenanalyse
-Thema 19. Zeitreihenanalyse. Teil 1: Problemstellung, einfachste Methoden. ARIMA-Modell
-Thema 20. Zeitreihenanalyse. Teil 2: Merkmalsextraktion und Anwendung von Modellen für maschinelles Lernen. Automatische Prognose
-Thema 21. Zeitreihenanalyse Teil 3: Clustering von Zeitreihen (Suche nach verwandten Aktienkursen)
Empfehlungssysteme
-Thema 22. Empfehlungssysteme. Teil 1: Problemstellung, Qualitätsmetriken. Kollaboratives Filtern. Kaltstart
-Thema 23. Empfehlungssysteme. Teil 2: Inhaltsfilterung, hybride Ansätze. Vereinsregeln
-Thema 24. Empfehlungssysteme. Teil 3: Implizites Feedback
-Thema 25. Praktische Lektion zu Empfehlungssystemen. Überraschung
-Thema 26.Fragen und Antworten
Zusätzliche Themen
-Thema 27.Kaggle ML-Training Nr. 1
-Thema 28.Kaggle ML-Training Nr. 2
-Thema 29.ML in Apache Spark
-Thema 30. Suche nach Jobs im Bereich Data Science
Projektarbeit
-Thema 31. Themenauswahl und Organisation der Projektarbeit
-Thema 32. Beratung zu Projekten und Hausaufgaben
-Thema 33.Schutz von Designarbeiten