DEVrepublik

Intro to Machine Learning

16 Апреля — 14 Июня 16:00 — 21:00

Online: 41600 грн (10 Мест)

Offline: 52000 грн (15 Мест)

Следующие события

Апр 16

Intro to Machine Learning

16 апреля @ 16:00 - 14 июня @ 21:00
Май 25

Intro to Machine Learning

25 мая @ 16:00 - 25 июля @ 21:00
Авг 10

Intro to Machine Learning

10 августа @ 10:00 - 9 октября @ 15:00

Intro to Machine Learning

Машинное обучение — это первоклассный билет в самую захватывающую карьеру в области данных сегодня. По мере того, как источники данных расширяются вместе с вычислительной мощностью, необходимой для их обработки, переход к данным является одним из самых простых способов быстро получить представление и сделать прогнозы.

 

Наш девятинедельный вводный курс углубляется в основы машинного обучения с использованием Python, доступного и известного языка программирования. Вы узнаете о Supervised и Unsupervisedобучении, посмотрите, как статистическое моделирование связано с машинным обучением.

 

Курс является как теоретическим, так и практическим, и мы убедимся, что вы понимаете теорию алгоритма, прежде чем тестировать его на реальных данных. Мы проведем вас через такие области, как анализ больших объемов данных и их классификация по соответствующим категориям, а также способы распознавания повторяющихся функций и выявления корреляций, чтобы вы могли разработать сложную систему, способную делать точные прогнозы.

 

Вы увидите реальные примеры машинного обучения и то, как они влияют на общество так, как вы, возможно, и не догадывались!

Топ навыки, которыми вы овладеете:

  • Опыт в математических вычислениях с использованием популярных пакетов Python, таких как NumPy или Scikit-Learn.
  • Понимать и использовать линейные /нелинейные модели
  • Получить глубокое понимание моделей обучения c учителем и без, как пример линейная регрессия, логистическая регрессия, SVM, кластеризация и К ближайших соседей.
  • Получить представление о том, как на самом деле работает магия нейронных сетей, и сможете написать их самостоятельно.
  • Создание воспроизводимых machine learning pipelines
  • Опыт применения изученых методов для решения реальных проблем.
  • Опыт построения API моделей машинного обучения.

Это именно для вас, если вы:

  • человек, ищущий смену карьеры
  • выпускник университета в поисках работы в науке о данных
  • разработчик с математическим складом ума, который хотел бы добиться карьерного рост
  • владелец бизнеса, который хотел бы использовать анализ данных и реализовывать проекты, основанные на данных и искусственном интеллекте
  • специалист Data Scientist, который хочет систематизировать знания и освоить глубокое обучение

Учебный план

Модуль 1: Введение в машинное обучение

Этот модуль начинается со введения в машинное обучение: как оно организовано, каковы подотрасли машинного обучения, фундаментальные различия между этими подходами и типы проблем, для решения которых они предназначены.

Затем студенты знакомятся с постановкой задачи машинного обучения, выбирая соответствующую целевую функцию и алгоритм для данной задачей. Хорошо известно, что обработка данных и выбор функций занимают большую часть времени разработки модели. Студенты изучают методы, позволяющие эффективно справляться с отсутствующими значениями, выбросами, категориальными переменными и создают новые функции.

Темы:

  • Постановка задачи машинного обучения
  • Конструирование признаков
  • Функции потерь
  • Генерализация и оценка модели
  • Оптимизация гиперпараметров
  • Выбор модели
  • Линейная регрессия
  • Логистическая регрессия

Модуль 2: Обучение с учителем

Этот курс охватывает алгоритмы, которые используются, когда известна целевая переменная, которая должна быть предсказана. Он начинается с простого KNN и заканчивается полностью подключенными нейронными сетями с прямой связью. Правильное тестирование модели необходимо для создания надежного продукта. Студенты знакомятся с различными методами и параметрами тестирования, которые помогают строить обобщенные и устойчивые модели.

Темы:

  • Метод k-ближайших соседей
  • Модели на основе деревьев
  • Ансамблевые методы
  • Adaboost
  • XGBoost
  • Метод опорных векторов (SVM)
  • Введение в нейронные сети
  • Рекомендательные системы
  • Коллаборативная фильтрация

Модуль 3: Обучение без учителя

Этот курс охватывает алгоритмы, которые используются, когда известна целевая переменная, которая должна быть предсказана. Он начинается с простого KNN и заканчивается полностью подключенными нейронными сетями с прямой связью. Правильное тестирование модели необходимо для создания надежного продукта. Студенты знакомятся с различными методами и параметрами тестирования, которые помогают строить обобщенные и устойчивые модели.

Темы:

  • Метод главных компонент (PCA)
  • Кластеризация методом k-средних
  • Иерархическая кластеризация
  • Обнаружение аномалий

Финальный Проект

Итоговая проверка и оценка знания студентов будет состоять в том, что после завершения всех модулей каждый из них выбирает задачу машинного обучения и пытается найти решение, проходя все этапы подготовки данных, обучения модели и тестирования.

Модуль 8: Бонус

Этот модуль представит некоторые продвинутые темы и инструменты для анализа данных, которые помогут вам преуспеть в области Data Science.

Темы:

  • Структура Data Science проекта
  • Развертывание моделей
  • Pipelines
  • Системы бизнес аналитики
  • Excel
  • Анализ временных рядов
  • Google Analytics
  • Введение в онлайн-коммерцию

Полная цена: ₴52000

Цена:

Давай немного посчитаем

В сумме получается 225 рабочих часов по цене 2000 $. Итак, за час ты платишь только 9 $.
Но это же настоящая шара!

Ты видел где-то такие цены? Конечно, нет! А мы еще и оплату частями предлагаем.

Все ради твоего обучения.

Наши Тренеры

Ирина Лазаренко

Одна из ведущих инструкторов DEVrepublik boot camp, а также Старший преподаватель кафедры математического моделирования экономических систем Национального технического университета Украины "Киевский политехнический институт имени Игоря Сикорского". Ирина также научный сотрудник лаборатории компьютерного моделирования и интеллектуального анализа данных в Мировом центре данных по геоинформатике и устойчивому развитию.
К ее научным интересам относятся Анализ данных, исследование операций, оптимальное управление, устойчивое развитие, теория интегральных и дифференциальных уравнений.
Она также любит путешествовать.

Иван Лучко

Иван один из ведущих инструкторов в DEVrepublik.
Иван выиграл бронзовую медаль на Международной олимпиаде по физике, в Мексике. Получил степень магистра прикладной физики в Техническом университете Мюнхена. Позже проводил исследования в антиферромагнетиках Гейзенберга с использованием моделирования Qauntum Monte Carlo и техники машинного обучения в Женеве (и PSI), Швейцария. Имеет богатый опыт автоматизации бизнес-процессов, углубленной аналитики, математического моделирования, оптимизации и машинного обучения. Последние два года Иван работает руководителем команды Data Science в Boosta. Последние проекты связаны с динамической ценовой оптимизацией и системой рекомендаций в электронной коммерции.
Любит спорт, путешествия и походы.

Руслан Климентьев

Руслан - автор учебных программ в DEVrepublik и инструктор по практическим заданиям.
Закончил Одесский национальный политехнический университет, специалист "Радиоэлектронные аппараты".
2,5 года опыта работы в Data Science.
Интересы: статистика, Data Visualization, CNN models и Computer Vision
2 раза получал на Kaggle.com приз Weekly Kernels Award
Winner.
Хобби: скалолазание и туризм

Николай Мерецкий

Николай является одним из ведущих инструкторов в DEVrepublik.
Он имеет 4-летний опыт в области Data Science и машинном обучении с использованием алгоритмов прогнозного моделирования, обработки данных, обработки изображений и видео, а также, интеллектуального анализа данных для решения сложных бизнес-задач.
Николай успешно применяет методы машинного обучения в медицине, финансах, агропромышленности, AR и многих других областях.
Помимо этого, он работал с большим количеством популярных технологий, таких как: Python, TensorFlow, Scikit, Keras, SciPy.
Хобби: Хайкинг.