DEVrepublik

Intro to Machine Learning

Дата: 16 Квітня – 14 Червня

Час: 16:00 – 21:00

Ціна: 52000 грн

Реєстрація та оплата

 
 
 
1
1

Наступні події

Дата: 25 Травня — 25 Липня

Время: 10:00 – 15:00

Дата: 10 Серпня — 09 Жовтня

Время: 10:00 – 15:00

Intro to Machine Learning

Сьогодні для тих, хто хоче розвиватися у сфері аналізу Big Data, існує дуже багато можливостей, і ми рішуче налаштовані допомогти нашим студентам поповнити ряди Data Scientists.

Існує багато міфів навколо професії Data Scientist, багато хто вважає, що, наприклад, математика не важлива і кожен хто може забити формулу на пайтоні, вже вважає себе дата саєнтистом, при цьому не розуміючи, що за цим стоїть. А на виході може отримати нерелевантні висновки. На додачу, не звертаючи увагу на те, що аналіз даних, машинне навчання і Big Data – всі ці технології використовують базову математику як свою основу.

Однак, потрібно розуміти, що займатися Data Science так само важко, як і займатися наукою в цілому. Ця професія передбачає вміння будувати гіпотези, ставити питання і знаходити відповіді на них. Саме слово Scientist підкреслює, що такий фахівець повинен бути дослідником, людиною з аналітичним складом розуму, здатним робити обґрунтовані висновки з величезних масивів інформації в досить стислі строки. Скрупульозний, уважний, точний – найчастіше він одночасно і програміст, і математик.

Відповідно, якщо ви вирішили присвятити себе професії Data Scientist, ви повинні розуміти, що її неможливо осилити за 2 тижні, або ж за пару годин в день, чого абсолютно недостатньо, щоб отримати знання і бути здатним застосовувати їх на практиці.

У житті людини найважливіше і найдорожче – це час, тому в нашому курсі ми постаралися відобразити найбільш важливі моменти в Data Science і приділити увагу практиці в першу чергу, щоб не витрачати ваш час даремно.

Реєструйтеся і давайте розвиватися разом!

Топ навички, якими Ви оволодієте:

  • Досвід в математичних обчисленнях з використанням популярних пакетів Python, таких як NumPy або Scikit-Learn.
  • Розуміти і використовувати лінійні / нелінійні моделі
  • Отримати глибоке розуміння моделей навчання c учителем і без, як приклад лінійна регресія, логістична регресія, SVM, кластеризація і К найближчих сусідів.
  • Отримати 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.
  • Досвід побудови API моделей машинного навчання.

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

Навчальний план:

Модуль 1: Введення в машинне навчання та предтреніровочну стадію

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.

Теми:

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

Модуль 2: Навчання з учителем

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.

Теми:

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

Модуль 3: Навчання без вчителя

Більшість тимчасових значень цільової змінної невідомі, в таких випадках необхідно застосовувати методи навчання без учителя. Вони дозволяють нам ідентифікувати приховані структури в багатовимірних наборах даних.

Теми:

  • Метод головних компонент (PCA)
  • Кластеризація методом k-середніх
  • Ієрархічна кластеризація
  • Виявлення аномалій

Модуль 4: Фінальний Проект

Підсумкова перевірка та оцінка знань студентів буде полягати в тому, що після завершення всіх модулів кожен з них вибирає завдання машинного навчання та намагається знайти рішення, проходячи всі етапи підготовки даних, навчання моделі та тестування.

Модуль 5: Бонусні теми

Цей модуль представить деякі провідні теми та інструменти для аналізу даних, які допоможуть Вам досягти успіху в області Data Science.

Теми:

  • Структура Data Science проекту
  • Розгортання моделей
  • Pipelines
  • Системи бізнес аналітики
  • Excel
  • Аналіз часових рядів
  • Google Analytics
  • Введення в онлайн-комерцію

Повна ціна: ₴52000

Ціна:

Давай трішки порахуємо

В сумі виходить 225 робочих годин ціною 2000$. Отже, за годину ти платиш тільки 9$.

Та це ж справжнісінька шара!

Ти ще бачив десь такі ціни? Звісно, ні! А ми ще й оплату частинами пропонуємо.

Все заради твого навчання.

Наші тренери

Ірина Лазаренко

Одна 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.

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.