Μηχανική μάθηση. Βασικό - μάθημα 52.668 τρίψτε. από την Otus, εκπαίδευση 6 μηνών, ημερομηνία 27 Φεβρουαρίου 2023.

μικροαντικείμενα / by admin / November 30, 2023

click fraud protection

Θα μάθετε να επιλύετε προβλήματα από πραγματικές διαδικασίες εργασίας, οι οποίες ανατίθενται συχνότερα σε αρχάριους ειδικούς στην Επιστήμη των Δεδομένων. Μέχρι το τέλος του μαθήματος, θα έχετε συλλέξει ένα χαρτοφυλάκιο εργασίας, θα έχετε ολοκληρώσει την προετοιμασία συνεντεύξεων και την επαγγελματική συμβουλευτική.

Το μάθημα θα σας δώσει τα απαραίτητα θεμέλια:
Πύθων. Θα διαβάσετε τα βασικά του προγραμματισμού και θα μάθετε πώς να χρησιμοποιείτε αυτήν την πιο σχετική γλώσσα σε εργασίες Μηχανικής Εκμάθησης.
Μαθηματικά. Κατακτήστε βασικές ενότητες για να κατανοήσετε τις θεωρητικές βάσεις και τις αρχές των αλγορίθμων.
Κλασικά μοντέλα μηχανικής μάθησης. Συλλέξτε τα σύνολα δεδομένων σας και ολοκληρώστε μια πλήρη σειρά εργασιών με τα πρώτα σας μοντέλα.

Δημιουργική ατμόσφαιρα:
Κατά τη διάρκεια της εκπαίδευσης, θα βυθιστείτε σε συνθήκες κοντά σε πραγματικές διαδικασίες εργασίας. Θα πρέπει να αντιμετωπίσετε βρώμικα δεδομένα, να σκεφτείτε μπροστά, να πειραματιστείτε με λύσεις και να προετοιμάσετε μοντέλα για παραγωγή.

instagram viewer

Το περιβάλλον της τάξης ενθαρρύνει τους μαθητές να είναι περίεργοι, να συζητούν ενεργά και να μην φοβούνται μήπως κάνουν λάθη.

Προσωπικός μέντορας:
Διαδικτυακές συνεδρίες για 40 λεπτά κάθε εβδομάδα.
Στην αρχή της εκπαίδευσής σας, σας ανατίθεται ένας μέντορας. Όπως οι δάσκαλοι, οι μέντορες είναι ειδικοί που εργάζονται στην Επιστήμη των Δεδομένων.
Μια φορά την εβδομάδα κάνετε την εργασία σας, την δημοσιεύετε στο GitHub και κανονίζετε μια κλήση με τον μέντορά σας.
Ο μέντορας εξοικειώνεται με τον κώδικά σας εκ των προτέρων, επομένως από τη στιγμή της συνάντησης ξέρει ήδη τι πρέπει να προσέξει. Μπορείτε επίσης να προετοιμάσετε ερωτήσεις.
Κατά τη διάρκεια της συνεδρίας, ο μέντορας θα σχολιάσει την απόφασή σας. Εάν είναι απαραίτητο, μπορείτε να μεταβείτε αμέσως στο περιβάλλον ανάπτυξης, να κάνετε αλλαγές στον κώδικα και να δείτε αμέσως το αποτέλεσμα.

Μετά την προπόνηση θα είστε σε θέση:
Κάντε αίτηση για θέσεις που απαιτούν κατώτερες ικανότητες
Λύστε πραγματικά επιχειρηματικά προβλήματα χρησιμοποιώντας μεθόδους μηχανικής μάθησης
Εργαστείτε με βιβλιοθήκες Python για Μηχανική Μάθηση
Αντιμετώπιση μη τυπικών καταστάσεων μέσω μιας βαθιάς θεωρητικής κατανόησης του πώς λειτουργούν οι αλγόριθμοι και τα μοντέλα
Πλοηγηθείτε σε διάφορους τομείς της Επιστήμης Δεδομένων και επιλέξτε εργαλεία κατάλληλα για την εργασία.

Μαρία Τιχόνοβα

σειρά μαθημάτων

Εργάζεται ως αναλυτής δεδομένων στην ομάδα AGI NLP στη Sberbank. Εργάζεται σε μοντέλα γλώσσας νευρωνικών δικτύων και την εφαρμογή τους σε προβλήματα πραγματικής ζωής. Πιστεύει ότι η εργασία στον τομέα της Επιστήμης Δεδομένων παρέχει μια μοναδική ευκαιρία να κάνεις τρελά δροσερά πράγματα στα όρια της επιστήμης που αλλάζουν τον κόσμο εδώ και τώρα. Διδάσκει θέματα ανάλυσης δεδομένων, μηχανικής μάθησης και επιστήμης δεδομένων στην Ανώτατη Οικονομική Σχολή. Η Μαρία αποφοίτησε από τη Μηχανική και Μαθηματική Σχολή του Κρατικού Πανεπιστημίου της Μόσχας και τη Σχολή Ανάλυσης Δεδομένων Yandex. Η Μαρία είναι σήμερα μεταπτυχιακή φοιτήτρια στην Ανώτατη Οικονομική Σχολή της Σχολής Πληροφορικής. Τα ερευνητικά της ενδιαφέροντα περιλαμβάνουν τομείς επιστήμης δεδομένων όπως η επεξεργασία φυσικής γλώσσας και η μοντελοποίηση θεμάτων. ΔΙΑΧΕΙΡΙΣΤΗΣ προγράμματος

Ντμίτρι Σεργκέεφ

σειρά μαθημάτων

Εξάσκηση μηχανικής μάθησης και ανάλυσης δεδομένων από το 2012. Αυτή τη στιγμή εργάζεται ως επικεφαλής Ε&Α στο WeatherWell. Διαθέτει εμπειρία στην πρακτική εφαρμογή της μηχανικής μάθησης στην ανάπτυξη παιχνιδιών, την τραπεζική και την Health Tech. Δίδαξε μηχανική μάθηση και ανάλυση δεδομένων στο Κέντρο Μαθηματικών Χρηματοοικονομικών του Κρατικού Πανεπιστημίου της Μόσχας και ήταν προσκεκλημένος λέκτορας στη Σχολή Επιστήμης Υπολογιστών της Ανώτατης Οικονομικής Σχολής του Εθνικού Ερευνητικού Πανεπιστημίου και σε διάφορα θερινά σχολεία. Εκπαίδευση: Οικονομικά-μαθηματικά REU im. Plekhanov, Κεντρική Σχολή Μαθηματικών και Μαθηματικών του Κρατικού Πανεπιστημίου της Μόσχας, ανώτερη επαγγελματική κατάρτιση της Σχολής Επιστήμης Υπολογιστών της Ανώτατης Οικονομικής Σχολής «Πρακτική ανάλυση δεδομένων και μηχανική μάθηση», MSc Computer Science Aalto Πανεπιστημιακή στοίβα/ενδιαφέροντα: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social Καλός

Εισαγωγή στην Python
-Θέμα 1. Γνωρίστε ο ένας τον άλλον
-Θέμα 2. Ρύθμιση του εργασιακού περιβάλλοντος
-Θέμα 3.Βασικοί τύποι και δομές δεδομένων. Έλεγχος ροής
-Θέμα 4.Εργασία με συναρτήσεις και δεδομένα
-Θέμα 5.Git, κέλυφος

Εισαγωγή στην Python. OOP, ενότητες, βάσεις δεδομένων
-Θέμα 6. Βασικές αρχές ΟΟΠ
-Θέμα 7.Για προχωρημένους OOP, εξαιρέσεις
-Θέμα 8.Προχωρημένο OOP, συνέχεια
-Θέμα 9.Ενότητες και εισαγωγές
-Θέμα 10.Τεστ
-Θέμα 11.Εισαγωγή στις ενσωματωμένες μονάδες
-Θέμα 12. Αρχεία και δίκτυο

Python Basics για ML
-Θέμα 13. Βασικά NumPy
-Θέμα 14. Βασικά Πάντα
-Θέμα 15.Οπτικοποίηση δεδομένων

Θεωρητικό ελάχιστο για ML: μαθηματικά, γραμμικά, στατιστικά
-Θέμα 16.Μήτρες. Βασικές Έννοιες και Λειτουργίες
-Θέμα 17.Πρακτική. Πίνακες
-Θέμα 18. Διαφοροποίηση και βελτιστοποίηση συναρτήσεων
-Θέμα 19.Πρακτική. Διαφοροποίηση και βελτιστοποίηση συναρτήσεων
-Θέμα 20. Αλγόριθμοι και υπολογιστική πολυπλοκότητα
-Θέμα 21.MNC και MSE
-Θέμα 22.Πρακτική. MNE και MSE
-Θέμα 23. Τυχαίες μεταβλητές και μοντελοποίησή τους
-Θέμα 24.Πρακτική. Τυχαίες μεταβλητές και η μοντελοποίησή τους
-Θέμα 25. Μελέτη εξαρτήσεων: ονομαστικά, τακτικά και ποσοτικά μεγέθη
-Θέμα 26.Πρακτική. Μελέτη εξαρτήσεων: ονομαστικά, τακτικά και ποσοτικά μεγέθη
-Θέμα 27.Δοκιμή ΑΒ

Βασικές Μέθοδοι Μηχανικής Μάθησης
-Θέμα 28.Εισαγωγή στη μηχανική μάθηση
-Θέμα 29.Διερευνητική Ανάλυση και Προεπεξεργασία Δεδομένων
-Θέμα 30. Πρόβλημα ταξινόμησης. Μέθοδος πλησιέστερων γειτόνων
-Θέμα 31.Πρόβλημα παλινδρόμησης. Γραμμικής παλινδρόμησης
-Θέμα 32.Λογιστική παλινδρόμηση
-Θέμα 33.Δέντρα απόφασης
-Θέμα 34. Μηχανική χαρακτηριστικών & προηγμένη προεπεξεργασία
-Θέμα 35. Πρακτικό μάθημα - επίλυση Kaggle χρησιμοποιώντας όλα όσα μάθαμε

Εργασία έργου
-Θέμα 36. Επιλογή θέματος και οργάνωση εργασιών έργου
-Θέμα 37. Διαβούλευση έργου
-Θέμα 38.Προστασία έργου

Ετικέτες σύννεφο

μικροαντικείμενα

Εκτίμηση

Προβολές

Σχόλια