Apprendimento automatico. Base: corso 52.668 rubli. da Otus, formazione 6 mesi, data 27 febbraio 2023.

Miscellanea / by admin / November 30, 2023

click fraud protection

Imparerai a risolvere i problemi partendo da processi di lavoro reali, che molto spesso vengono assegnati a specialisti alle prime armi in Data Science. Alla fine del corso avrai raccolto un portfolio di lavoro, completato la preparazione al colloquio e la consulenza professionale.

Il corso ti fornirà le basi necessarie:
Pitone. Esaminerai le basi della programmazione e imparerai come utilizzare questo linguaggio più rilevante nelle attività di machine learning.
Matematica. Sezioni chiave per comprendere i fondamenti teorici e i principi degli algoritmi.
Modelli classici di Machine Learning. Raccogli i tuoi set di dati e completa una pipeline di lavoro completa con i tuoi primi modelli.

Atmosfera creativa:
Durante la formazione sarai immerso in condizioni vicine ai processi di lavoro reali. Dovrai gestire dati sporchi, pensare al futuro, sperimentare soluzioni e preparare modelli per la produzione.
L'ambiente della classe incoraggia gli studenti a essere curiosi, a discutere attivamente e a non aver paura di commettere errori.

instagram viewer

Mentore personale:
Sessioni online da 40 minuti ogni settimana;
All'inizio della tua formazione ti verrà assegnato un mentore. Come gli insegnanti, i mentori sono esperti che lavorano nella scienza dei dati;
Una volta alla settimana fai i compiti, li pubblichi su GitHub e organizzi una chiamata con il tuo mentore;
Il mentore conosce in anticipo il tuo codice, quindi al momento dell'incontro sa già a cosa prestare attenzione. Puoi anche preparare domande;
Durante la sessione, il mentore commenterà la tua decisione. Se necessario, puoi andare immediatamente nell'ambiente di sviluppo, apportare modifiche al codice e vedere immediatamente il risultato.

Dopo la formazione sarai in grado di:
Candidati per posizioni che richiedono competenze junior
Risolvi problemi aziendali reali utilizzando metodi di machine learning
Lavora con le librerie Python per il Machine Learning
Affrontare situazioni non standard attraverso una profonda comprensione teorica di come funzionano algoritmi e modelli
Naviga in varie aree di Data Science e seleziona gli strumenti adatti all'attività.

Maria Tikhonova

corso

Lavora come analista di dati nel team AGI NLP di Sberbank. Funziona su modelli linguistici di reti neurali e sulla loro applicazione in problemi della vita reale. Ritiene che lavorare nel campo della Data Science offra un'esperienza unica...

Lavora come analista di dati nel team AGI NLP di Sberbank. Funziona su modelli linguistici di reti neurali e sulla loro applicazione in problemi della vita reale. Crede che lavorare nel campo della scienza dei dati offra un'opportunità unica per fare cose pazzesche e interessanti ai margini della scienza che stanno cambiando il mondo qui e ora. Insegna materie di analisi dei dati, machine learning e data science presso la Scuola Superiore di Economia. Maria si è laureata alla Facoltà di Meccanica e Matematica dell'Università Statale di Mosca e alla Scuola di Analisi dei Dati Yandex. Maria è attualmente una studentessa laureata presso la Scuola Superiore di Economia presso la Facoltà di Informatica. I suoi interessi di ricerca includono aree di scienza dei dati come l'elaborazione del linguaggio naturale e la modellazione degli argomenti. Responsabile del programma

Dmitrij Sergeev

corso

Pratica l'apprendimento automatico e l'analisi dei dati dal 2012. Attualmente lavora come responsabile della ricerca e sviluppo presso WeatherWell. Ha esperienza nell'applicazione pratica dell'apprendimento automatico nello sviluppo di giochi, nel settore bancario e nella tecnologia sanitaria. Ha insegnato apprendimento automatico e analisi dei dati presso il Centro di finanza matematica dell'Università statale di Mosca ed è stato docente ospite presso la Facoltà di informatica della Scuola superiore di economia dell'Università nazionale di ricerca e varie scuole estive. Formazione: Economia-matematica REU im. Plekhanov, Facoltà Centrale di Matematica dell'Università Statale di Mosca, formazione professionale avanzata della Facoltà di Informatica della Scuola Superiore di Economia "Analisi pratica dei dati e apprendimento automatico", Master in Informatica Aalto Stack universitario/Interessi: Python, machine learning, serie temporali, rilevamento di anomalie, dati aperti, machine learning per i social Bene

Introduzione a Python
-Argomento 1.Conoscersi
-Argomento 2. Impostazione dell'ambiente di lavoro
-Argomento 3.Tipi base e strutture dati. Controllo del flusso
-Argomento 4.Lavorare con funzioni e dati
-Tema 5.Git, shell

Introduzione a Python. OOP, moduli, database
-Argomento 6. Fondamenti di OOP
-Argomento 7.OOP avanzata, eccezioni
-Argomento 8.OOP avanzata, continua
-Argomento 9.Moduli e importazioni
-Argomento 10.Test
-Argomento 11.Introduzione ai moduli integrati
-Argomento 12. File e rete

Nozioni di base su Python per il machine learning
-Argomento 13. Nozioni di base su NumPy
-Argomento 14. Nozioni di base sui panda
-Argomento 15.Visualizzazione dei dati

Minimo teorico per ML: matematica, lineare, statistica
-Argomento 16.Matrici. Concetti e operazioni di base
-Argomento 17.Pratica. Matrici
-Argomento 18. Differenziazione e ottimizzazione delle funzioni
-Argomento 19.Pratica. Differenziazione e ottimizzazione delle funzioni
-Argomento 20. Algoritmi e complessità computazionale
-Argomento 21.MNC e MSE
-Argomento 22.Pratica. Multinazionali e MSE
-Argomento 23. Variabili casuali e loro modellizzazione
-Argomento 24.Pratica. Variabili casuali e loro modellizzazione
-Argomento 25. Studio delle dipendenze: quantità nominali, ordinali e quantitative
-Argomento 26.Pratica. Studio delle dipendenze: quantità nominali, ordinali e quantitative
-Argomento 27.AB test

Metodi di base dell'apprendimento automatico
-Argomento 28.Introduzione all'apprendimento automatico
-Argomento 29. Analisi esplorativa dei dati e preelaborazione
-Argomento 30. Problema di classificazione. Metodo dei vicini più vicini
-Argomento 31.Problema di regressione. Regressione lineare
-Argomento 32.Regressione logistica
-Argomento 33.Alberi decisionali
-Argomento 34.Ingegneria delle funzionalità e preelaborazione avanzata
-Argomento 35. Lezione pratica: risolvere Kaggle utilizzando tutto ciò che abbiamo imparato

Lavoro di progetto
-Argomento 36. Selezione dell'argomento e organizzazione del lavoro del progetto
-Argomento 37. Consultazione del progetto
-Tema 38.Tutela del progetto

Tag nuvola

Miscellanea

Valutazione

Visualizzazioni

Commenti