Μηχανική μάθηση. Προχωρημένο - δωρεάν μάθημα από την Otus, εκπαίδευση 5 μηνών, Ημερομηνία: 4 Δεκεμβρίου 2023.
μικροαντικείμενα / / December 08, 2023
Θα κατακτήσετε προηγμένες τεχνικές μηχανικής εκμάθησης που θα σας επιτρέψουν να αισθάνεστε σίγουροι σε κορυφαίες θέσεις Μέσης/Ανώτερης και να αντεπεξέλθετε ακόμη και σε μη τυπικές εργασίες.
Θα επεκτείνετε τη γκάμα των εργαλείων που διατίθενται για εργασία. Επιπλέον, ακόμη και για θέματα όπως οι μέθοδοι Bayes και η ενισχυτική μάθηση, που συνήθως διδάσκονται αποκλειστικά με τη μορφή θεωρίας, επιλέξαμε πραγματικές περιπτώσεις εργασίας από τις πρακτικές μας.
Μια ξεχωριστή ενότητα είναι αφιερωμένη στην εργασία στην παραγωγή: ρύθμιση του περιβάλλοντος, βελτιστοποίηση κώδικα, κατασκευή αγωγών από άκρο σε άκρο και εφαρμογή λύσεων.
Ευέλικτες εργασίες έργου
Κατά τη διάρκεια του μαθήματος, θα ολοκληρώσετε πολλές πρακτικές εργασίες για να εδραιώσετε τις δεξιότητές σας στα θέματα που καλύπτονται. Κάθε εργασία είναι ένα πρακτικό έργο ανάλυσης δεδομένων που επιλύει μια συγκεκριμένη εφαρμογή μηχανικής εκμάθησης.
Σε ποιους απευθύνεται αυτό το μάθημα;
Για αναλυτές, προγραμματιστές και επιστήμονες δεδομένων που ασκούν τη μηχανική μάθηση. Το μάθημα θα σας βοηθήσει να επεκτείνετε τις δυνατότητές σας και να προχωρήσετε περαιτέρω στην καριέρα σας.
Μετά την ολοκλήρωση του μαθήματος θα είστε σε θέση:
Ρυθμίστε το περιβάλλον και γράψτε τον κώδικα παραγωγής έτοιμο για εφαρμογή
Εργαστείτε με προσεγγίσεις AutoML και κατανοήστε τους περιορισμούς στη χρήση τους
Κατανοούν και μπορούν να εφαρμόζουν μεθόδους Bayes και ενισχυτική μάθηση σε σχετικά προβλήματα
Επίλυση μη τυπικών προβλημάτων που προκύπτουν σε συστήματα συστάσεων, χρονοσειρές και γραφήματα
Ξεκίνησα στο σχολείο με ένα κολλητήρι στα χέρια. Μετά υπήρχε το ZX Spectrum. Πήγα στο πανεπιστήμιο για ειδικότητα στη μηχανική. Υπάρχουν πολλά ενδιαφέροντα πράγματα στη μηχανική, αλλά το 2008 το ενδιαφέρον για την πληροφορική ανέλαβε: υπολογιστής...
Ξεκίνησα στο σχολείο με ένα κολλητήρι στα χέρια. Μετά υπήρχε το ZX Spectrum. Πήγα στο πανεπιστήμιο για ειδικότητα στη μηχανική. Υπάρχουν πολλά ενδιαφέροντα πράγματα στη μηχανική, αλλά το 2008 το ενδιαφέρον για την πληροφορική ανέλαβε: δίκτυα υπολογιστών -> Δελφοί -> PHP -> Python. Έχουν γίνει πειράματα με άλλες γλώσσες, αλλά θέλω να γράψω σε αυτή τη γλώσσα. Συμμετείχε σε έργα αυτοματοποίησης επιχειρηματικών διαδικασιών με χρήση νευρωνικών δικτύων (υπηρεσία παραγγελιών ταξί Maxim) και ανάπτυξης πληροφοριακών συστημάτων στην ιατρική. Εργάστηκε με συστήματα GIS και επεξεργασία εικόνας με χρήση Python. Στη διδασκαλία, η θέση είναι: «Αν κάποιος δεν μπορεί να εξηγήσει κάτι περίπλοκο με απλά λόγια, σημαίνει ότι δεν είναι ακόμα πολύ καλός σε αυτό». κατανοεί.” Εκπαίδευση: Πανεπιστήμιο Kurgan, Τμήμα Ασφάλειας Πληροφοριών και Αυτοματοποιημένων Συστημάτων, Ph.D. Αποφοίτησε το 2002 Κρατικό Πανεπιστήμιο Kurgan με πτυχίο «Πολλαπλών χρήσεων τροχοφόρων οχημάτων». Το 2005 υπερασπίστηκε τη διατριβή του με θέμα συνεχώς μεταβαλλόμενες μεταδόσεις. Έκτοτε, εργάζεται επίσημα στο πανεπιστήμιο (KSU). Δάσκαλος
Εργάζεται ως αναλυτής δεδομένων στο hedge fund Meson Capital. Ασχολείται με την κατασκευή διαφόρων μοντέλων που προβλέπουν τη συμπεριφορά στο χρηματιστήριο. Πριν από αυτό, πέρασα περισσότερα από 9 χρόνια λύνοντας επιχειρηματικά προβλήματα με βάση τη μηχανή...
Εργάζεται ως αναλυτής δεδομένων στο hedge fund Meson Capital. Ασχολείται με την κατασκευή διαφόρων μοντέλων που προβλέπουν τη συμπεριφορά στο χρηματιστήριο. Πριν από αυτό, πέρασε περισσότερα από 9 χρόνια λύνοντας επιχειρηματικά προβλήματα με βάση τη μηχανική μάθηση σε εταιρείες όπως η Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, κατασκευή μοντέλων υπολογιστικής όρασης, επεξεργασία φυσικής γλώσσας και χρόνος σειρές. Είναι προσκεκλημένος λέκτορας στο MIPT, όπου διδάσκει το δικό του μάθημα «Practical ML». Ο Valentin ολοκλήρωσε το μεταπτυχιακό του στο MIPT. Τα ενδιαφέροντά του περιλαμβάνουν την υλοποίηση και την κατασκευή υποδομής για λύσεις που βασίζονται σε δεδομένα. Δάσκαλος
Έμπειρος προγραμματιστής, επιστήμονας και εμπειρογνώμονας Machine/Deep Learning με εμπειρία σε συστήματα συστάσεων. Έχει περισσότερες από 30 επιστημονικές δημοσιεύσεις στα ρωσικά και ξένες γλώσσες, υπερασπίστηκε τη διδακτορική του διατριβή με θέμα την ανάλυση και...
Έμπειρος προγραμματιστής, επιστήμονας και εμπειρογνώμονας Machine/Deep Learning με εμπειρία σε συστήματα συστάσεων. Έχει περισσότερες από 30 επιστημονικές δημοσιεύσεις στα ρωσικά και ξένες γλώσσες και υπερασπίστηκε τη διδακτορική του διατριβή σχετικά με την ανάλυση και την πρόβλεψη χρονοσειρών. Αποφοίτησε από τη Σχολή Επιστήμης Υπολογιστών του Εθνικού Ερευνητικού Πανεπιστημίου της Μόσχας, όπου το 2008. έλαβε πτυχίο, μεταπτυχιακό το 2010 και υποψήφιο τεχνικών επιστημών το 2014. Ακόμη και πριν ξεκινήσω την εργασία για τη διατριβή του, άρχισα να ενδιαφέρομαι για την ανάλυση δεδομένων και, όταν υλοποίησα το πρώτο μου σημαντικό έργο, από συνηθισμένος προγραμματιστής έγινα επικεφαλής του τμήματος ανάπτυξης. Για περίπου 10 χρόνια δίδαξε συναφείς κλάδους στο Εθνικό Ερευνητικό Πανεπιστήμιο της Μόσχας Ινστιτούτο Ηλεκτρομηχανικής, ως αναπληρωτής καθηγητής του τμήματος. Οδηγεί ομάδες Επιστήμης Δεδομένων που αναπτύσσουν έργα στον τομέα του NLP, RecSys, Time Series και Computer Vision Teacher
Προηγμένη Μηχανική Εκμάθηση. AutoML
-Θέμα 1.Κώδικας παραγωγής του έργου χρησιμοποιώντας το παράδειγμα ενός προβλήματος ταξινόμησης/παλίνδρομης, Εικονικά περιβάλλοντα, διαχείριση εξαρτήσεων, pypi/gemfury
-Θέμα 2. Πρακτικό μάθημα - Βελτιστοποίηση κώδικα, παραλληλοποίηση, πολυεπεξεργασία, επιτάχυνση pandas, Modin για Panda
-Θέμα 3.Προηγμένη Προεπεξεργασία Δεδομένων. Κατηγορικές Κωδικοποιήσεις
-Θέμα 4.Εργαλεία λειτουργιών - θα βρείτε δυνατότητες για μένα;
-Θέμα 5.H2O και TPOT - θα μου φτιάξεις μοντέλα;
Παραγωγή
-Θέμα 6. Πρακτικό μάθημα - Κατασκευή σωλήνων από άκρο σε άκρο και σειριοποίηση μοντέλων
-Θέμα 7.Αρχιτεκτονική REST: Flask API
-Θέμα 8.Docker: Δομή, εφαρμογή, ανάπτυξη
-Θέμα 9.Kubernetes, ενορχήστρωση κοντέινερ
-Θέμα 10. Πρακτικό μάθημα για την εργασία στην παραγωγή: ανάπτυξη του Docker στο AWS
Χρονική σειρά
-Θέμα 11. Εξαγωγή χαρακτηριστικών. Μετασχηματισμός Fourier και Wavelet, Αυτόματη δημιουργία χαρακτηριστικών - tsfresh
-Θέμα 12. Προσεγγίσεις χωρίς επίβλεψη: Ομαδοποίηση χρονοσειρών
-Θέμα 13. Προσεγγίσεις χωρίς επίβλεψη: Τμηματοποίηση χρονοσειρών
Συστήματα συστάσεων. Εργασία κατάταξης
-Θέμα 14. Συστήματα συστάσεων 1. Ρητή ανατροφοδότηση
-Θέμα 15. Συστήματα συστάσεων 2. Έμμεση ανατροφοδότηση
-Θέμα 16. Εργασία κατάταξης - Εκμάθηση κατάταξης
-Θέμα 17. Πρακτικό μάθημα για συστήματα συστάσεων. Εκπληξη!
-Θέμα 18.Q&A
Γραφικές παραστάσεις
-Θέμα 19. Εισαγωγή στα γραφήματα: βασικές έννοιες. NetworkX, Stellar
-Θέμα 20. Ανάλυση και ερμηνεία γραφημάτων. Ανίχνευση κοινότητας
-Θέμα 21.Πρόβλεψη συνδέσμων και ταξινόμηση κόμβων
-Θέμα 22. Πρακτικό μάθημα: Haters στο Twitter
Bayesian Learning, PyMC
-Θέμα 23.Εισαγωγή στην πιθανοτική μοντελοποίηση, εκ των υστέρων εκτιμήσεις, δειγματοληψία
-Θέμα 24.Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
-Θέμα 25. Bayesian AB testing
-Θέμα 26.Γενικευμένο γραμμικό μοντέλο (GLM) - Μπεϋζιανές παλινδρομήσεις, παραγωγή μεταγενέστερων εκτιμήσεων συντελεστών
-Θέμα 27. Πρακτικό μάθημα GLM
-Θέμα 28. Bayesian trust network: πρακτική άσκηση
-Θέμα 29. Πρακτικό μάθημα logit παλινδρόμησης
Ενισχυτική Μάθηση
-Θέμα 30.Εισαγωγή στην Ενισχυτική Μάθηση
-Θέμα 31.Πολυοπλισμένοι ληστές για βελτιστοποίηση δοκιμών AB, από τη θεωρία - κατευθείαν στη μάχη
-Θέμα 32. Πρακτικό μάθημα: Multi-armed bandits in ecommerce: search optimization
-Θέμα 33.Διαδικασία απόφασης Markov, Συνάρτηση τιμής, εξίσωση Bellman
-Θέμα 34.Επανάληψη αξίας, Επανάληψη πολιτικής
-Θέμα 35. Πρακτικό μάθημα: ιατρική περίπτωση Markov Chain Monte Carlo
-Θέμα 36.Temporal Difference (TD) και Q-learning
-Θέμα 37.SARSA και Πρακτικό Μάθημα: Financial Case TD and Q-learning
-Θέμα 38.Ερωτήσεις και απαντήσεις
Εργασία έργου
-Θέμα 39. Διαβούλευση για το έργο, επιλογή θέματος
-Θέμα 40. Μπόνους: Εύρεση θέσεων εργασίας στο Data Science
-Θέμα 41.Προστασία μελετητικών εργασιών
Ένα εισαγωγικό πρακτικό μάθημα για τη μηχανική μάθηση. Εξετάζεται ο πλήρης κύκλος δημιουργίας μιας λύσης: από την επιλογή των αρχικών δεδομένων (αρχείο “.xlsx”) έως χτίζοντας ένα μοντέλο και εξηγώντας στον τελικό πελάτη τα χαρακτηριστικά των δεδομένων και τις ιδιαιτερότητες των ληφθέντων αποτέλεσμα. Οι θεωρητικές ενότητες - ταξινόμηση, παλινδρόμηση, προβλέψεις, σύνολα - δίνονται σε επισκόπηση, στο βαθμό που είναι απαραίτητο για τη σωστή κατασκευή και κατανόηση των παραδειγμάτων που αναλύονται.
4
41 500 ₽