ви освоїте сучасні інструменти для аналізу даних і створите свої перші моделі машинного навчання.
Практик і знань, які ви отримаєте, буде достатньо, щоб самостійно вирішувати завдання класичного ML і почати кар'єру.
Кому підійде курс:
Наш курс розрахований на програмістів, які хочуть перекваліфікуватися і почати вирішувати завдання за допомогою Машинного навчання.
ви зможете:
1. Працювати з Machine Learning
Дізнаєтеся, що таке Машинне навчання і чим воно відрізняється від звичайного рішення задач в програмуванні. Розберетеся в задачах регресії, класифікації та кластеризації
2. Аналітично мислити
Навчіться самостійно розробляти план вирішення проблеми, висувати і перевіряти гіпотези, інтерпретувати результати і представляти їх керівництву.
3. Готувати дані
Зрозумієте, які бувають типи даних і в чому полягають їх особливості. Навчіться працювати з даними засобами Python
4. Витягувати дані з різних джерел
Зрозумієте, як читати файли різних форматів за допомогою Python і бібліотеки Pandas
5. Будувати моделі машинного навчання
Освоїте алгоритми машинного навчання. Побудуйте свої перші моделі.
6. Працювати з послідовностями
Навчіться прогнозувати часові ряди і створювати рекомендаційні системи
Тема 1: Введення в Machine Learning
1.1. Як влаштований цей курс і чому ви навчитеся. Що таке Машинне навчання, чим воно відрізняється від звичайного рішення задач в програмуванні? Чим відрізняється аналіз даних і ML?
1.2. Про Python, Типовий цикл розробки, демонстрація установки і налаштування оточення.
Тема 2: Основи аналізу даних 2.1. Типове представлення даних.
2.2. Основи роботи з pandas.
2.3. Підрахунок статистик за текстовими даними.
2.4. Вивчення Matplotlib.
Тема 3: прості моделі
3.1. Лінійні моделі, задача регресії, задача класифікації.
3.2. Нелінійні моделі. Частина 1.
3.3. Нелінійні моделі-нейронні мережі. Частина 2.
3.4. Про Pytorch і GPU.
Тема 4: Робота з зображеннями
4.1. Проблема з зображеннями і комбінаторний вибух. Фундаментальні завдання зниження розмірності.
4.2. Сегментація КЛАСІВ, сегментація об'єктів, опис об'єктів, ідентифікація.
4.3. Різні види функцій втрат (loss function)
4.4. Генерація зображень за допомогою VAE і теорема Байєса.
Тема 5: робота з послідовностями
5.1. Часові ряди і завдання прогнозування. Підхід з не ітеративними моделями і з RNN.
5.2. Обробка тексту частина 1. Класифікація, переклад. Підходи засновані на повнозв'язних нейронних мережах і на основі RNN.
5.3. Обробка тексту частина 2. Подібність тексту, генерація тексту по тексту, генерація тексту по картинці, генерація картинки по тексту і способи вирішення цих завдань. Коротко про механізм уваги і трансформерах.
Тема 6: додатково
6.1. Коротко про ті речі, які не увійшли в цей курс: завдання пошуку і рекомендацій, навчання з підкріпленням, Архітектура систем ML, GAN.
Практик і знань, які ви отримаєте, буде достатньо, щоб самостійно вирішувати завдання класичного ML і почати кар'єру.
Кому підійде курс:
Наш курс розрахований на програмістів, які хочуть перекваліфікуватися і почати вирішувати завдання за допомогою Машинного навчання.
ви зможете:
- Отримати затребувані знання і змінити вектор професійного розвитку
- Домогтися поліпшень на поточному місці, застосовуючи методи ML
- Визначитися, чи подобається вам працювати в сфері машинного навчання
1. Працювати з Machine Learning
Дізнаєтеся, що таке Машинне навчання і чим воно відрізняється від звичайного рішення задач в програмуванні. Розберетеся в задачах регресії, класифікації та кластеризації
2. Аналітично мислити
Навчіться самостійно розробляти план вирішення проблеми, висувати і перевіряти гіпотези, інтерпретувати результати і представляти їх керівництву.
3. Готувати дані
Зрозумієте, які бувають типи даних і в чому полягають їх особливості. Навчіться працювати з даними засобами Python
4. Витягувати дані з різних джерел
Зрозумієте, як читати файли різних форматів за допомогою Python і бібліотеки Pandas
5. Будувати моделі машинного навчання
Освоїте алгоритми машинного навчання. Побудуйте свої перші моделі.
6. Працювати з послідовностями
Навчіться прогнозувати часові ряди і створювати рекомендаційні системи
Тема 1: Введення в Machine Learning
1.1. Як влаштований цей курс і чому ви навчитеся. Що таке Машинне навчання, чим воно відрізняється від звичайного рішення задач в програмуванні? Чим відрізняється аналіз даних і ML?
1.2. Про Python, Типовий цикл розробки, демонстрація установки і налаштування оточення.
Тема 2: Основи аналізу даних 2.1. Типове представлення даних.
2.2. Основи роботи з pandas.
2.3. Підрахунок статистик за текстовими даними.
2.4. Вивчення Matplotlib.
Тема 3: прості моделі
3.1. Лінійні моделі, задача регресії, задача класифікації.
3.2. Нелінійні моделі. Частина 1.
3.3. Нелінійні моделі-нейронні мережі. Частина 2.
3.4. Про Pytorch і GPU.
Тема 4: Робота з зображеннями
4.1. Проблема з зображеннями і комбінаторний вибух. Фундаментальні завдання зниження розмірності.
4.2. Сегментація КЛАСІВ, сегментація об'єктів, опис об'єктів, ідентифікація.
4.3. Різні види функцій втрат (loss function)
4.4. Генерація зображень за допомогою VAE і теорема Байєса.
Тема 5: робота з послідовностями
5.1. Часові ряди і завдання прогнозування. Підхід з не ітеративними моделями і з RNN.
5.2. Обробка тексту частина 1. Класифікація, переклад. Підходи засновані на повнозв'язних нейронних мережах і на основі RNN.
5.3. Обробка тексту частина 2. Подібність тексту, генерація тексту по тексту, генерація тексту по картинці, генерація картинки по тексту і способи вирішення цих завдань. Коротко про механізм уваги і трансформерах.
Тема 6: додатково
6.1. Коротко про ті речі, які не увійшли в цей курс: завдання пошуку і рекомендацій, навчання з підкріпленням, Архітектура систем ML, GAN.
https://privatelink.de/?https://slurm.io/machinelearning