Makine öğrenme. Temel - kurs 52.668 ovmak. Otus'tan, 6 aylık eğitim, tarih 27 Şubat 2023.
Miscellanea / / November 30, 2023
Çoğunlukla Veri Bilimi alanındaki acemi uzmanlara verilen gerçek iş süreçlerinden sorunları çözmeyi öğreneceksiniz. Kursun sonunda bir çalışma portföyü toplamış, mülakat hazırlığını ve kariyer danışmanlığını tamamlamış olacaksınız.
Kurs size gerekli temeli sağlayacaktır:
Python. Programlamanın temellerini inceleyecek ve Makine Öğrenimi görevlerinde bu en alakalı dilin nasıl kullanılacağını öğreneceksiniz.
Matematik. Algoritmaların teorik temellerini ve ilkelerini anlamak için önemli bölümlerde uzmanlaşın.
Klasik Makine Öğrenimi modelleri. Veri kümelerinizi toplayın ve ilk modellerinizle tüm çalışma hattını tamamlayın.
Yaratıcı atmosfer:
Eğitim sırasında gerçek iş süreçlerine yakın koşullara maruz kalacaksınız. Kirli verilerle uğraşmanız, ileriyi düşünmeniz, çözümleri denemeniz ve üretim için modeller hazırlamanız gerekecek.
Sınıf ortamı öğrencileri meraklı olmaya, aktif tartışmaya ve hata yapmaktan korkmamaya teşvik eder.
Kişisel akıl hocası:
Her hafta 40 dakikalık çevrimiçi oturumlar;
Eğitiminizin başında size bir mentor atanır. Öğretmenler gibi mentorlar da Veri Bilimi alanında çalışan uzmanlardır;
Haftada bir kez ödevinizi yaparsınız, GitHub'da yayınlarsınız ve mentorunuzla bir görüşme ayarlarsınız;
Mentor kodunuzla önceden tanışır, böylece toplantı sırasında neye dikkat etmesi gerektiğini zaten bilir. Ayrıca sorular da hazırlayabilirsiniz;
Oturum sırasında mentor, kararınız hakkında yorum yapacaktır. Gerektiğinde hemen geliştirme ortamına giderek kodda değişiklik yapabilir ve sonucu anında görebilirsiniz.
Eğitimden sonra şunları yapabileceksiniz:
Kıdemsiz yetkinlikler gerektiren pozisyonlara başvurun
Makine öğrenimi yöntemlerini kullanarak gerçek iş sorunlarını çözün
Makine Öğrenimi için Python kitaplıklarıyla çalışma
Algoritmaların ve modellerin nasıl çalıştığına dair derin bir teorik anlayış yoluyla standart dışı durumlarla başa çıkmak
Veri Biliminin çeşitli alanlarında gezinin ve göreve uygun araçları seçin.
3
kursSberbank'ta AGI NLP ekibinde veri analisti olarak çalışıyor. Sinir ağı dil modelleri ve bunların gerçek hayattaki problemlere uygulanması üzerine çalışır. Veri Bilimi alanında çalışmanın benzersiz bir deneyim sağladığına inanır...
Sberbank'ta AGI NLP ekibinde veri analisti olarak çalışıyor. Sinir ağı dil modelleri ve bunların gerçek hayattaki problemlere uygulanması üzerine çalışır. Veri Bilimi alanında çalışmanın, bilimin sınırında dünyayı değiştiren çılgın ve harika şeyler yapmak için eşsiz bir fırsat sunduğuna inanıyor. İktisat Yüksek Okulu'nda veri analizi, makine öğrenimi ve veri bilimi konularını öğretiyor. Maria, Moskova Devlet Üniversitesi Mekanik ve Matematik Fakültesi ve Yandex Veri Analiz Okulu'ndan mezun oldu. Maria şu anda Bilgisayar Bilimleri Fakültesi İktisat Yüksek Okulu'nda yüksek lisans öğrencisidir. Araştırma ilgi alanları arasında doğal dil işleme ve konu modelleme gibi veri bilimi alanları yer almaktadır. Program Yöneticisi
3
kurs2012'den beri makine öğrenimi ve veri analizi uyguluyorum. Şu anda WeatherWell'de Ar-Ge Başkanı olarak çalışıyor. Oyun geliştirmede, bankacılıkta ve makine öğreniminin pratik uygulamasında deneyime sahip...
2012'den beri makine öğrenimi ve veri analizi uyguluyorum. Şu anda WeatherWell'de Ar-Ge Başkanı olarak çalışıyor. Oyun geliştirme, bankacılık ve Sağlık Teknolojilerinde makine öğreniminin pratik uygulamasında deneyime sahiptir. Moskova Devlet Üniversitesi Matematiksel Finans Merkezi'nde makine öğrenimi ve veri analizi dersleri verdi ve Ulusal Araştırma Üniversitesi İktisat Yüksek Okulu Bilgisayar Bilimleri Fakültesi'nde ve çeşitli yaz okullarında misafir öğretim görevlisi olarak görev yaptı. Eğitim: Ekonomi-matematik REU im. Plekhanov, Moskova Devlet Üniversitesi Merkez Matematik ve Matematik Fakültesi, İktisat Yüksek Okulu Bilgisayar Bilimleri Fakültesi'nin ileri mesleki eğitimi "Pratik veri analizi ve makine öğrenimi", Yüksek Lisans Bilgisayar Bilimleri Aalto Üniversite Yığını/İlgi Alanları: Python, Makine Öğrenimi, Zaman Serisi, Anomali Tespiti, Açık Veri, sosyal için ML iyi
Python'a Giriş
-Konu 1.Birbirimizi tanımak
-Konu 2. Çalışma ortamının ayarlanması
-Konu 3.Temel tipler ve veri yapıları. Akış kontrolü
-Konu 4.Fonksiyonlar ve verilerle çalışma
-Tema 5.Git, kabuk
Python'a giriş. OOP, modüller, veritabanları
-Konu 6. OOP'nin Temelleri
-Konu 7.Gelişmiş OOP, istisnalar
-Konu 8.Gelişmiş OOP, devamı
-Konu 9.Modüller ve içe aktarmalar
-Konu 10.Testler
-Konu 11.Yerleşik modüllere giriş
-Konu 12. Dosyalar ve ağ
ML için Python Temelleri
-Konu 13. NumPy Temelleri
-Konu 14. Pandaların Temelleri
-Konu 15.Veri görselleştirme
Makine öğrenimi için teorik minimum: matematik, doğrusal, istatistik
-Konu 16.Matrisler. Temel Kavramlar ve İşlemler
-Konu 17.Uygulama. Matrisler
-Konu 18. Fonksiyonların farklılaştırılması ve optimizasyonu
-Konu 19.Uygulama. Fonksiyonların farklılaştırılması ve optimizasyonu
-Konu 20. Algoritmalar ve hesaplama karmaşıklığı
-Konu 21.MNC ve MSE
-Konu 22.Uygulama. Çokuluslu Şirketler ve MSE'ler
-Konu 23. Rastgele değişkenler ve modellenmesi
-Konu 24.Uygulama. Rastgele değişkenler ve modellemeleri
-Konu 25. Bağımlılıkların incelenmesi: nominal, sıralı ve niceliksel büyüklükler
-Konu 26.Uygulama. Bağımlılıkların incelenmesi: nominal, sıralı ve niceliksel büyüklükler
-Konu 27.AB testi
Temel Makine Öğrenimi Yöntemleri
-Konu 28.Makine öğrenimine giriş
-Konu 29.Keşif Amaçlı Veri Analizi ve Ön İşleme
-Konu 30. Sınıflandırma problemi. En yakın komşular yöntemi
-Konu 31.Regresyon problemi. Doğrusal regresyon
-Konu 32.Lojistik regresyon
-Konu 33.Karar ağaçları
-Konu 34.Özellik mühendisliği ve gelişmiş ön işleme
-Konu 35. Pratik ders - öğrendiğimiz her şeyi kullanarak Kaggle'ı çözmek
Proje çalışması
-Konu 36. Proje çalışmasının konusunun seçimi ve organizasyonu
-Konu 37. Proje danışmanlığı
-Konu 38.Proje koruması