чим займаються ML-інженери:
У сучасному світі бізнес стикається з багатьма проблемами, які вимагають неординарних рішень. Наприклад, як ідентифікувати клієнтів, які хочуть піти, і зберегти їх за допомогою цінових факторів?
Робота ml-інженера полягає у вирішенні подібного роду завдань і створенні систем, які працюють краще і швидше, ніж рішення, зроблені простою людиною.
Для КОГО ця програма:
Вже працюєте в IT
Ви вже працюєте в ІТ, але хочете перейти в нову сферу або розширити свої знання та навички, щоб застосувати їх у різних сферах машинного навчання.
СТАРТ КАР'ЄРИ
Хочете вивчити Машинне навчання, але не знаєте, з чого почати. Курс навчить вас необхідної математичної бази для роботи в ML і дасть навички для старту кар'єри.
програма курсу :
1. Прикладна розробка на PYTHON
Python-один з найпопулярніших інструментів аналізу даних. У цьому блоці ми навчимося працювати з цією мовою, познайомимося з основними бібліотеками для ML і дізнаємося, як грамотно використовувати Python при командній роботі. Також ми присвятимо час вивченню інструментів для роботи з базами даних, як за допомогою класичного SQL, так і за допомогою Python коду. Отриманих знань буде достатньо для роботи не тільки в області аналізу даних, але і в класичній розробці на Python.
2. Машинне навчання та програми
Класичні методи машинного навчання-це основа для більшості сучасних способів аналізу даних, наприклад, для оптимізації банківського ціноутворення. Ми вивчимо основний теоретичний інструментарій для успішної побудови ml-дизайну в гострих проблемах реальної індустрії і відточимо нові навички на практиці.
3. Огляд ОСНОВ DEEP LEARNING
Глибинне навчання з використанням нейронних мереж з'являється тоді, коли класичні моделі безсилі: детекція об'єктів з картинки, генерація осмисленого тексту, визначення тональності звукової доріжки і багато іншого. В даному курсі ми оглядово подивимося на рішення, які можна зробити за допомогою deep learning, і спробуємо в них розібратися.
4. СТАТИСТИКА та A/B-тести
У цьому блоці ми вивчимо основні поняття математичної статистики, необхідні для поліпшення моделей. Навчимося правильно проводити A/B тестування, щоб достовірно вимірювати вплив впровадження ml моделей на продукт і бізнес. Обговоримо нюанси при проведенні експериментів і способи оцінки метрик при неможливості проведення a/b-тесту.
5. Співбесіди і як їх ПРОЙТИ
В останньому блоці курсу ми ще раз згадаємо основні моменти з усього курсу і обговоримо, як проходять співбесіди на молодшого спеціаліста в машинному навчанні, як до них готуватися і як їх проходити. Ми хочемо поділитися своїм досвідом і допомогти пройти перший етап в пошуку професії мрії.
https://privatelink.de/?https://karpov.courses/ml-start