DEVrepublik

Intro to Machine Learning

Into to Machine Learning

Машинне навчання – це першокласний квиток у найзахопливіші кар’єри в даних на сьогодні. Оскільки джерела даних поширюються разом з обчислювальною потужністю для їх обробки, прямий перехід до даних – це один із найпростіших способів швидкого отримання розуміння та прогнозування.

Наш дев’яти тижневий вступний курс заглиблюється в основи машинного навчання за допомогою Python, доступної і добре відомої мови програмування. Ви дізнаєтесь про Supervised та Unsupervised навчання, подивитеся, як статистичне моделювання стосується машинного навчання.

Курс є і теоретичним, і практичним, і ми забезпечимо розуміння теорії, що стоїть за алгоритмом, перш ніж це перевірити на прикладах реальних даних. Ми проведемо вас через такі сфери, як аналіз великої кількості даних та класифікація їх на відповідні категорії, а також як розпізнати повторювані функції та виявити кореляції, щоб ви могли розробити складну систему, яка має можливість робити точні прогнози.

Ви переглянете приклади машинного навчання в реальному житті та як це впливає на суспільство так, як ви, можливо, не здогадувались!

Найголовніше, що ви перетворите свої теоретичні знання в практичні навички, використовуючи практичні завдання. Будьте готові зробити більше навчання, ніж ваша машина!

Топ навички, якими Ви оволодієте:

  • Досвід в математичних обчисленнях з використанням популярних пакетів Python, таких як NumPy або Scikit-Learn;
  • Досвід розуміння і використання лінійних / нелінійних моделей;
  • Глибоке розуміння моделей навчання з учителем і без, як приклад лінійна регресія, логістична регресія, SVM, кластеризація і К найближчих сусідів;
  • Уявлення про те, як насправді працює магія нейронних мереж, і зможете написати їх самостійно;
  • Створення відтворюваних конвеєрів machine learning pipelines;
  • Досвід застосування вивчених методів для вирішення реальних проблем;

Навчальний план:

18  Травня – 2 Червня

09:00-12:00

(З понеділка по п’ятницю)

online

Плата: 7500 грн

Наступні події

Пн 27

Machine Learning Basis Реєстрація

27.07-12.08

27 Липня 09:00 - 12:00
Сер 04

Machine Learning Basis Реєстрація

04.08-20.08

4 Серпня 12:00 - 15:00
Сер 12

Machine Learning Basis Реєстрація

04.08-20.08

12 Серпня 18:00 - 21:00
Вер 07

Machine Learning Basis Реєстрація

07.09-23.09

7 Вересня 09:00 - 12:00
Вер 28

Machine Learning Basis Реєстрація

28.09-14.10

28 Вересня 12:00 - 15:00
Жов 05

Machine Learning Basis Реєстрація

05.10-21.10

5 Жовтня 18:00 - 21:00
Лис 09

Machine Learning Basis Реєстрація

09.11-27.11

9 Листопада 09:00 - 12:00
Лис 23

Machine Learning Basis Реєстрація

23.11-09.12

23 Листопада 12:00 - 15:00
Лис 30

Machine Learning Basis Реєстрація

30.11-16.12

30 Листопада 18:00 - 21:00
Гру 21

Machine Learning Basis Реєстрація

21.12-16.01

21 Грудня 09:00 - 12:00

Введення в машинне навчання

Цей модуль починається зі вступу до машинного навчання: як воно організоване, які є підгалузі машинного навчання, фундаментальні відмінності між цими підходами та типи проблем, для вирішення яких вони призначені.

Потім студенти знайомляться з постановкою задачі машинного навчання, вибираючи відповідну цільову функцію та алгоритм для даної задачі Добре відомо, що обробка даних та вибір функцій займають більшу частину часу розробки моделі. Студенти вивчають методи, що дозволяють ефективно справлятися з відсутніми значеннями, викидами, категоріальними змінними та створюють нові функції.

  • Постановка завдання машинного навчання;
  • Конструювання ознак;
  • Функції втрат;
  • Генералізація та оцінка моделі;
  • Оптимізація гіперпараметрів;
  • Вибір моделі;
  • Лінійна регресія;
  • Логістична регресія.

13 Травня – 28 Травня

17:00-20:00

(З понеділка по п’ятницю)

online

Плата: 7500 грн

Наступні події

Сер 17

Supervised Learning Реєстрація

17.08-07.09

17 Серпня 09:00 - 12:00
Сер 25

Supervised Learning Реєстрація

25.08-15.09

25 Серпня 12:00 - 15:00
Сер 31

Supervised Learning Реєстрація

31.08-21.09

31 Серпня 18:00 - 21:00
Вер 24

Supervised Learning Реєстрація

24.09-15.10

24 Вересня 09:00 - 12:00
Жов 14

Supervised Learning Реєстрація

14.10-04.11

14 Жовтня 12:00 - 15:00
Жов 22

Supervised Learning Реєстрація

22.10-12.11

22 Жовтня 18:00 - 21:00
Лис 27

Supervised Learning Реєстрація

27.11-18.12

27 Листопада 09:00 - 12:00
Гру 10

Supervised Learning Реєстрація

10.12-30.12

10 Грудня 12:00 - 15:00
Січ 16

Supervised Learning Реєстрація

16.01-05.02

16 Січня 18:00 - 21:00
Січ 17

Supervised Learning Реєстрація

17.01-06.02

17 Січня 09:00 - 12:00

Supervised Learning

Цей курс охоплює алгоритми, які використовуються, коли відома цільова змінна, яка повинна бути передбачена. Він починається з простого KNN та закінчується повністю підключеними нейронними мережами з прямим зв’язком. Правильне тестування моделі необхідне для створення надійного продукту. Студенти знайомляться з різними методами та параметрами тестування, які допомагають будувати узагальнені та стійкі моделі.

  • Метод k-найближчих сусідів;
  • Моделі на основі дерев;
  • Ансамблеві методи;
  • Adaboost;
  • XGBoost;
  • Метод опорних векторів (SVM);
  • Введення в нейронні мережі;
  • Рекомендаційні системи;
  • Колаборативна фільтрація.

Це саме для Вас, якщо Ви:

  • особа, яка шукає зміну кар’єри
  • випускник університету в пошуках роботи в науці про дані
  • розробник з математичним складом розуму, який хотів би домогтися кар’єрного зростання
  • власник бізнесу, який хотів би використовувати аналіз даних і реалізовувати проекти, засновані на даних та штучному інтелекті
  • фахівець Data Scientist, який хоче систематизувати знання та освоїти глибоке навчання

Наші тренери

Ірина Лазаренко

Одна из ведущих инструкторов DEVrepublik boot camp, а также Старший преподаватель кафедры мафОдна з провідних інструкторів DEVrepublik boot camp, а також Старший викладач кафедри математичного моделювання економічних систем Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського». Ірина також науковий співробітник лабораторії комп'ютерного моделювання та інтелектуального аналізу даних у Світовому центрі даних з геоінформатики та сталого розвитку.
До її наукових інтересів відносяться Аналіз даних, дослідження операцій, оптимальне управління, сталий розвиток, теорія інтегральних та диференціальних рівнянь.
Вона також любить подорожувати.тематического 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.

Іван Лучко

Іван один із провідних інструкторів в DEVrepublik.
Іван виграв бронзову медаль на Міжнародній олімпіаді з фізики в Мексиці. Отримав ступінь магістра прикладної фізики в Технічному університеті Мюнхена. Пізніше проводив дослідження в антиферомагнетиках Гейзенберга за допомогою моделювання Qauntum Monte Carlo та техніки машинного навчання в Женеві (та PSI), Швейцарія. Має багатий досвід автоматизації бізнес-процесів, поглибленої аналітики, математичного моделювання, оптимізації та машинного навчання. Протягом останніх двох років Іван працює керівником команди Data Science в Boosta. Останні проекти пов'язані з динамічною ціновою оптимізацією та системою рекомендацій в електронній комерції.
Любить спорт, подорожі та походи.

Руслан Климентьєв

Руслан - автор навчальних програм в DEVrepublik та інструктор з практичних завдань.
Закінчив Одеський національний політехнічний університет, спеціаліст «Радіоелектронні апарати».
2,5 роки досвіду роботи в Data Science.
Інтереси: статистика, Data Visualization, CNN models та Computer Vision
2 рази отримував на Kaggle.com приз Weekly Kernels Award
Winner.
Хобі: скелелазання та туризм

Микола Мерецький

Микола є одним із провідних інструкторів в DEVrepublik.
Він має 4-річний досвід в області Data Science і машинному навчанні з використанням алгоритмів прогнозного моделювання, обробки даних, обробки зображень і відео, а також, інтелектуального аналізу даних для вирішення складних бізнес-завдань.

Микола успішно застосовує методи машинного навчання в медицині, фінансах, агропромисловості, AR і багатьох інших областях.
Крім цього, він працював з великою кількістю популярних технологій, таких як: Python, TensorFlow, Scikit, Keras, SciPy.
Хобі: Хайкінг.