Курс «Машинное обучение: фундаментальные инструменты и практики»

Направление
Машинное обучение
Домашние задания
Есть
Итоговый экзамен
Есть
Количество уроков
8
Документ об обучении
Диплом
Обратная связь
Есть
Доступ
Сразу после покупки
Последнее обновление 16.08.2022
Скидка
70 000 руб.
49 000 руб.

О курсе

- Курс для тех, кто хочет получить прикладной опыт создания работающих нейронных сетей.
- Закладываем фундамент для развития на уровне middle.

Программа курса

  1. Узнаете, что такое библиотека Sklearn и как ею пользоваться. Изучите алгоритмы кластеризации и сможете строить ансамбли моделей. Научитесь оценивать модели и работать с переобучением. Узнаете, как использовать в работе GridSearch и RandomizedSearch, Model Specific CV, Out of Bag approach.
  2. Вы научитесь планировать разработку data science проектов, а также грамотно рассказывать заказчикам о результатах исследований.
  3. В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
  4. Вы освоите основные техники машинного зрения: извлечение признаков, поиск по картинкам, сегментирование, детекция объектов, а также научитесь строить нейросети.
  5. Вы освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск, научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты.
  6. На этом интенсивном блоке вы научитесь выявлять происхождение и структуру временного ряда, прогнозировать будущие значения для эффективного принятия решений при построении моделей машинного обучения. Поймёте, что «под капотом» у популярных методик и библиотек.
  7. Завершим обучение состязанием с товарищами по курсу: в составе миникоманды за ограниченное время и на основе датасетов крупных игроков рынка вам придётся решать задачи по прогнозированию продаж или оптимизации производства, задействуя все знания и навыки, полученные на курсе.
    Интеграция и использование machine learning решений в бизнесе, как правило, подразумевает командную игру, поэтому хакатон полезен ещё и как тренировка необходимых soft skills.
  8. В рамках дипломного проекта вы построите ML-модель для решения своих текущих профессиональных задач: это может быть система прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста, и т. д.
    Если в моменте у вас нет идей для своего проекта (или доступа к необходимым данным), мы предложим вам учебный кейс в интересной вам области на основе реального датасета других компаний.
    Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе.

Преподаватели

Артур Сапрыкин
Data Scientist, фрилансер
Алексей Кузьмин
Директор разработки, «Домклик»
Константин Башевой
Аналитик-разработчик, Яндекс. Преподаёт «Python для анализа данных» и «Работу с потоковыми данными».
Вячеслав Мурашкин
Data Science Team Lead
Наталья Баданина
Аналитик