[Слёрм] Machine Learning [Александр Михеев, Юлия Силова]

[Robot]

Ссылка на картинку

Вы освоите современные инструменты для анализа данных и создадите свои первые модели машинного обучения

Практик и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и начать карьеру.

Кому подойдёт курс:

Наш курс рассчитан на программистов, которые хотят переквалифицироваться и начать решать задачи с помощью Машинного Обучения.

Вы сможете:

1. Получить востребованные знания и сменить вектор профессионального развития
2. Добиться улучшений на текущем месте, применяя методы ML
3. Определиться, нравится ли вам работать в сфере машинного обучения

Чему Вы научитесь:

1. Работать с Machine Learning
Узнаете, что такое Машинное Обучение и чем оно отличается от обычного решения задач в программировании. Разберётесь в задачах регрессии, классификации и кластеризации
2. Аналитически мыслить
Научитесь самостоятельно разрабатывать план решения проблемы, выдвигать и проверять гипотезы, интерпретировать результаты и представлять их руководству.
3. Подготавливать данные
Поймёте, какие бывают типы данных и в чём заключаются их особенности. Научитесь работать с данными средствами Python
4. Извлекать данные из разных источников
Поймёте, как читать файлы различных форматов при помощи Python и библиотеки Pandas
5. Строить модели машинного обучения
Освоите алгоритмы машинного обучения. Построите свои первые модели.
6. Работать с последовательностями
Научитесь прогнозировать временные ряды и создавать рекомендательные системы

Программа:

Тема 1 : Введение в Machine Learning
1.1. Как устроен этот курс и чему вы научитесь. Что такое Машинное Обучение, чем оно отличается от обычного решения задач в программировании? Чем отличается анализ данных и ML?
1.2. О Python, типичный цикл разработки, демонстрация установки и настройки окружение.

Тема 2: Основы анализа данных
2.1. Типичное представление данных.
2.2. Основы работы с pandas.
2.3. Подсчет статистик по текстовым данным.
2.4. Изучение Matplotlib.

Тема 3: Простые модели
3.1. Линейные модели, задача регрессии, задача классификации.
3.2. Нелинейные модели. Часть 1.
3.3. Нелинейные модели- нейронные сети. Часть 2.
3.4. О Pytorch и GPU.

Тема 4: Работа с изображениями
4.1. Проблема с изображениями и комбинаторный взрыв. Фундаментальные задачи снижения размерности.
4.2. Сегментация классов, сегментация объектов, описание объектов, идентификация.
4.3. Разные виды функций потерь (loss function)
4.4. Генерация изображений с помощью VAE и теорема Байеса.

Тема 5: Работа с последовательностями
5.1. Временные ряды и задачи прогнозирования. Подход с не итеративными моделями и с RNN.
5.2. Обработка текста часть 1. Классификация, перевод. Подходы основанные на полносвязных нейронных сетях и на основе RNN.
5.3. Обработка текста часть 2. Сходство текста, генерация текста по тексту, генерация текста по картинке, генерация картинки по тексту и способы решения этих задач. Коротко о механизме внимания и трансформерах.

Тема 6: Дополнительно
6.1. Коротко о тех вещах, которые не вошли в этот курс: задачи поиска и рекомендаций, обучение с подкреплением, архитектура систем ML, GAN.

Читать далее...