О курсе
На курсе Machine Learning Beginning мы рассмотрим большинство популярных методов: начиная от простых (но не менее эффективных) линейных моделей и древ решений, заканчивая более сложными буcтингами и глубокими нейронными сетями.
Лекции будут сопровождаться примерами решений реальных задач классификации, регрессии, кластеризации с использованием Python из наиболее популярных сфер применения ML — автоматического анализа текстов, предсказания временных рядов, классификации картинок.
По окончанию курса вы будете иметь не только общее представление о том, чем является Machine Learning, но и глубокое понимание современных инструментов и нюансов их использования. А также получите практический опыт тренировки, валидации и тюнинга различных моделей машинного обучения.
26 июня 2024
курс длится 3 месяца
10 000 грн/мес.
30 000 грн при полной оплате курса10 500 грн/мес. при оплате частями
25 студентов
каждый студент получает регулярный фидбек от куратора
Программа курса
-
Data Science
- — AI vs. ML: поймите ключевые отличия и взаимосвязи между Artificial Intelligence и Machine Learning, исследуя их определение, применение и важность в современных технологиях.
- — NumPy for Numerical Computations: научитесь использовать NumPy для числовых вычислений, включая операции с массивами, математические функции и рутинные операции с линейной алгеброй.
- — Exploratory Data Analysis. Pandas: погрузитесь в базовые инструменты для манипулирования и анализа данных.
- — Visual Data Analysis: получите навыки визуализации данных для обнаружения шаблонов, трендов и инсайтов.
-
Classic Machine Learning
- — Evaluating Models — Validation and Metrics: овладейте техникой оценки моделей машинного обучения, включая cross-validation, confusion matrices, ROC curves, precision, recall и F1 score.
- — Linear and Polynomial Regression: исследуйте концепции и применение линейных и полиномиальных регрессионных моделей, их реализацию и интерпретацию результатов.
- — Decision Trees: разберитесь со структурой и применением decision trees, их построением, интерпретацией и оценкой.
- — Random Forest and Bagging: проработайте ансамблевые методы, сосредоточиваясь на random forests и bagging.
- — Boosting — XGBoost, LightGBM, CatBoost: определите передовые алгоритмы boosting, их реализацию и то, как они улучшают точность прогнозирования.
- — Unsupervised Learning — Dimensionality Reduction and Clustering: откройте для себя техники clustering и dimensionality reduction, способы их практического применения.
- — Feature Engineering: увидьте на реальных примерах, как feature engineering может оказать значительное влияние на производительность модели.
- — Feature Importance: узнайте, как определять и интерпретировать важность признаков в ваших моделях, улучшая понимание и способность принимать обоснованные решения.
- — NLP Features: проанализируйте, как извлекать и использовать признаки в Natural Language Processing, включая токенизацию, стеминг, лематизацию и технику векторизации.
- — Time Series Analysis: научитесь правильно работать с time series data.
-
Intro to Deep Learning
- — Basic neural networks: поймите архитектуру и функционирование базовых нейронных сетей, включая feedforward networks и backpropagation алгоритм.
- — Into to PyTorch: получите практический опыт с PyTorch — ведущим фреймворком для deep learning, чтобы строить и тренировать нейронные сети.
- — DL in NLP: исследуйте применение deep learning в Natural Language Processing, включая техники для классификации текста, анализа настроений и моделирования языка.
- — DL in CV: узнайте о методах deep learning для задач computer vision, а именно классификации и сегментации изображений, обнаружении объектов.
Курс для вас, если вы
Разработчик
и хотите перейти в Data Science
Начинающий Data Scientist
ML Engineer, Data Engineer, Data Analysts
Опыт
знание Python, основ линейной алгебры и теории вероятностей
Время
10-12+ часов в неделю на выполнение домашних заданий
Язык обучения
украинский, часть материалов будет на английском
Как проходит обучение
Живые занятия
Вебинары с куратором и группой будут проходить по средах в 19:30 и субботах в 11:00.
Real-life задания
У нас действует Practicult — культ практики. Поэтому вы будете выполнять много сложной домашки из реальных рабочих будней. Have fun & survive.
Курсовой проект
Во время обучения вы сделаете большой проект. Ведь принцип курса — все как в жизни.
Регулярный фидбек
У нас нет базовых и премиум режимов. Только премиум, всегда. Получите от куратора все. И да, десятая итерация — это нормально.
Сертификат за дело
Наши сертификаты действительно ценят на рынке. Поэтому мы выдаём их только тем студентам, которые выполнили не менее 70% домашних работ и защитили курсовой проект.
ГРАФИК
Старт обучения
26 июня 2024
Вебинары
среда — 19:30
суббота — 11:00
Вопросы
Нужны ли какие-то навыки для поступления на курс?
Для поступления нужно будет выполнить тестовое задание. Оно придет вам на почту после регистрации на курс.
Какой софт будет использоваться на курсе?
Python3 + classic ML stack (NumPy, Pandas, Sklearn, LightGBM/CatBoost/XGBoost) + PyTorch, Jupyter Notebooks.
Как происходит коммуникация на курсе и в каком формате куратор дает фидбек?
Вся коммуникация на курсе проходит на платформе Slack (рабочий чат группы, каналы для домашних заданий и полезных ссылок). Фидбек от куратора будет в виде комментариев к домашним заданиям и обсуждения на вебинарах.
Вебинары будут записываться?
Будут, но лучше выделите время, чтобы присоединиться к ним лично — будет интересно.
А сертификат будет?
Будет, если приложить усилия. Чтобы получить сертификат, нужно выполнить не менее 70% домашних работ, получить фитбек и «засчитано» от куратора, а также сдать и защитить курсовой проект. Дедлайном для сдачи и принятия работ является дата выпуска.
Что, если мне не понравится?
Сможем вернуть деньги в течение 7 дней от даты старта курса.
