0
Visualizzazioni
Apprendimento automatico. Avanzato - corso gratuito da Otus, formazione 5 mesi, Data: 4 dicembre 2023.
Miscellanea / / December 08, 2023
Potrai padroneggiare tecniche avanzate di machine learning che ti permetteranno di sentirti sicuro nelle posizioni di leadership Middle/Senior e di far fronte anche a compiti non standard.
Amplierai la tua gamma di strumenti disponibili per il lavoro. Inoltre, anche per argomenti come i metodi bayesiani e l’apprendimento per rinforzo, che di solito vengono insegnati esclusivamente in forma teorica, abbiamo selezionato casi di lavoro reali dalle nostre pratiche.
Un modulo separato è dedicato al lavoro in produzione: impostazione dell'ambiente, ottimizzazione del codice, creazione di pipeline end-to-end e implementazione di soluzioni.
Assegnazioni di progetti versatili
Durante il corso, completerai diversi compiti pratici per consolidare le tue competenze sugli argomenti trattati. Ogni incarico è un progetto pratico di analisi dei dati che risolve una specifica applicazione di machine learning.
A chi è rivolto questo corso?
Per analisti, programmatori e data scientist che praticano il machine learning. Il corso ti aiuterà ad espandere le tue capacità e ad avanzare lungo il tuo percorso professionale.
Dopo aver completato il corso sarai in grado di:
Configura l'ambiente e scrivi il codice di produzione pronto per l'implementazione
Lavora con gli approcci AutoML e comprendi i limiti del loro utilizzo
Comprendere ed essere in grado di applicare metodi bayesiani e apprendimento per rinforzo a problemi rilevanti
Risolvi problemi non standard che sorgono nei sistemi di raccomandazione, nelle serie temporali e nei grafici
Ho iniziato a scuola con un saldatore tra le mani. Poi c'era lo ZX Spectrum. Ho frequentato l'università per specializzarmi in ingegneria. Ci sono tante cose interessanti nella meccanica, ma nel 2008 l'interesse per l'informatica ha preso il sopravvento: l'informatica...
Ho iniziato a scuola con un saldatore tra le mani. Poi c'era lo ZX Spectrum. Ho frequentato l'università per specializzarmi in ingegneria. Ci sono molte cose interessanti nella meccanica, ma nel 2008 l'interesse per l'informatica ha preso il sopravvento: reti di computer -> Delphi -> PHP -> Python. Ci sono stati esperimenti con altre lingue, ma voglio scrivere in questa lingua. Partecipazione a progetti per automatizzare i processi aziendali utilizzando reti neurali (servizio di ordinazione taxi Maxim) e sviluppare sistemi informativi in medicina. Ho lavorato con sistemi GIS ed elaborazione di immagini utilizzando Python. Nell’insegnamento la posizione è: “Se qualcuno non sa spiegare qualcosa di complesso con parole semplici, significa che non è ancora molto bravo”. capisce."Formazione: Università di Kurgan, Dipartimento di sicurezza delle informazioni e dei sistemi automatizzati, Ph.D. Laureato nel 2002 Kurgan State University con una laurea in “Veicoli multiuso cingolati e gommati”. Nel 2005 ha difeso la sua tesi su trasmissioni a variazione continua. Da allora è ufficialmente impiegato presso l'università (KSU). Insegnante
Lavora come analista di dati presso l'hedge fund Meson Capital. Impegnato nella costruzione di vari modelli che prevedono il comportamento sul mercato azionario. Prima di allora, ho trascorso più di 9 anni a risolvere problemi aziendali basati sulle macchine...
Lavora come analista di dati presso l'hedge fund Meson Capital. Impegnato nella costruzione di vari modelli che prevedono il comportamento sul mercato azionario. In precedenza, ha trascorso più di 9 anni risolvendo problemi aziendali basati sull'apprendimento automatico in aziende come Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, costruzione di modelli di visione artificiale, elaborazione del linguaggio naturale e tempo righe. È docente ospite al MIPT, dove tiene il suo corso "Practical ML". Valentin ha completato il suo master al MIPT. I suoi interessi includono l'implementazione e la costruzione di infrastrutture per soluzioni basate sui dati. Insegnante
Sviluppatore esperto, scienziato ed esperto di machine/deep learning con esperienza nei sistemi di raccomandazione. Ha più di 30 pubblicazioni scientifiche in russo e lingue straniere, ha difeso la sua tesi di dottorato sul tema dell'analisi e...
Sviluppatore esperto, scienziato ed esperto di machine/deep learning con esperienza nei sistemi di raccomandazione. Ha più di 30 pubblicazioni scientifiche in russo e in lingue straniere e ha difeso la sua tesi di dottorato sull'analisi e la previsione delle serie temporali. Laureato presso la Facoltà di Informatica presso l'Istituto di Ingegneria Energetica dell'Università Nazionale di Ricerca di Mosca, dove nel 2008. ha conseguito una laurea, un master nel 2010 e un candidato in scienze tecniche nel 2014. Ancor prima di iniziare a lavorare sulla sua tesi, mi sono interessato all'analisi dei dati e, realizzando il mio primo progetto significativo, sono passato da normale programmatore a capo del dipartimento di sviluppo. Per circa 10 anni ha insegnato discipline correlate presso l'Istituto di ingegneria energetica dell'Università nazionale di ricerca di Mosca, essendo professore associato del dipartimento. Guida team di Data Science che sviluppano progetti nel campo della PNL, RecSys, Time Series e Computer Vision Teacher
Apprendimento automatico avanzato. AutoML
-Argomento 1.Codice di produzione del progetto utilizzando l'esempio di un problema di classificazione/regressione, Ambienti virtuali, gestione delle dipendenze, pypi/gemfury
-Argomento 2. Lezione pratica - Ottimizzazione del codice, parallelizzazione, multiprocessing, accelerazione panda, Modin for Pandas
-Argomento 3.Preelaborazione avanzata dei dati. Codifiche categoriche
-Argomento 4.Featuretools: mi verranno in mente delle funzionalità?
-Argomento 5.H2O e TPOT: costruirai modelli per me?
Produzione
-Argomento 6. Lezione pratica - Costruzione di pipeline end-to-end e serializzazione dei modelli
-Argomento 7.Architettura REST: API Flask
-Argomento 8.Docker: Struttura, applicazione, distribuzione
-Argomento 9.Kubernetes, orchestrazione dei contenitori
-Argomento 10. Lezione pratica sul lavoro in produzione: distribuzione di Docker su AWS
Serie temporali
-Argomento 11. Estrazione di funzionalità. Trasformazioni di Fourier e Wavelet, generazione automatica di feature - tsfresh
-Argomento 12.Approcci non supervisionati: clustering di serie temporali
-Argomento 13.Approcci non supervisionati: segmentazione delle serie temporali
Sistemi di raccomandazione. Compito di classifica
-Argomento 14. Sistemi di raccomandazione 1. Feedback esplicito
-Argomento 15. Sistemi di raccomandazione 2. Feedback implicito
-Argomento 16. Compito di classificazione - Imparare a classificare
-Argomento 17. Lezione pratica sui sistemi di raccomandazione. Sorpresa!
-Argomento 18.Domande e risposte
Grafici
-Argomento 19. Introduzione ai grafici: concetti di base. NetworkX, Stellare
-Argomento 20. Analisi e interpretazione dei grafici. Rilevamento della comunità
-Argomento 21.Previsione dei collegamenti e classificazione dei nodi
-Argomento 22. Lezione pratica: Haters su Twitter
Apprendimento bayesiano, PyMC
-Argomento 23.Introduzione alla modellazione probabilistica, stime a posteriori, campionamento
-Tema 24.Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
-Argomento 25. Test Bayesiano AB
-Argomento 26. Modello lineare generalizzato (GLM) - Regressioni bayesiane, derivazione di stime a posteriori dei coefficienti
-Argomento 27. Lezione pratica su GLM
-Argomento 28. Rete fiduciaria bayesiana: esercitazione pratica
-Argomento 29. Lezione pratica sulla regressione logit
Insegnamento rafforzativo
-Argomento 30.Introduzione all'apprendimento per rinforzo
-Argomento 31. Banditi multi-armati per l'ottimizzazione dei test AB, dalla teoria - direttamente in battaglia
-Argomento 32. Lezione pratica: Banditi multi-armati nell'e-commerce: ottimizzazione della ricerca
-Argomento 33. Processo decisionale di Markov, funzione valore, equazione di Bellman
-Argomento 34. Iterazione del valore, Iterazione della policy
-Argomento 35. Lezione pratica: caso medico Markov Chain Monte Carlo
-Argomento 36.Differenza Temporale (TD) e Q-learning
-Argomento 37.SARSA e lezione pratica: caso finanziario TD e Q-learning
-Argomento 38.Domande e risposte
Lavoro di progetto
-Argomento 39. Consultazione sul progetto, scelta dell'argomento
-Argomento 40.Bonus: trovare lavori nel campo della scienza dei dati
-Tema 41. Tutela dell'opera di progettazione
Apprendimento automatico in pratica
Un corso pratico introduttivo al machine learning. Viene considerato l'intero ciclo di creazione di una soluzione: dalla selezione dei dati iniziali (“file .xlsx”) fino al costruendo un modello e spiegando al cliente finale le caratteristiche dei dati e le specificità di quanto ricevuto risultato. Le sezioni teoriche - classificazione, regressione, previsioni, insiemi - sono fornite in modalità panoramica, nella misura necessaria per la corretta costruzione e comprensione degli esempi analizzati.
4
41 500 ₽
Più dettagli Al sito web del corso
Sottoscrivi
YOU MIGHT ALSO LIKE
