Data Science и машинное обучение

Погрузитесь в нейронные сети и алгоритмы глубокого обучения. На курсе вы изучите машинное обучение и научитесь внедрять его на предприятии.

14 февраля 2023
Продолжительность
Подать заявку на обучение
Формат обучения
Старт обучения:
Идёт набор
Продолжительность:
7 месяцев
Формат обучения:
онлайн
Стоимость:
96 000 ₽

Кому подойдет курс

Получите востребованные навыки по итогам обучения:
– проведение аналитики данных
– трансформация и подготовка данных для ИИ
– подбор лучшего алгоритма для обработки данных
– применение алгоритмов классического машинного обучения
– применение алгоритмов компьютерного зрения

• Инженерам, которые хотят сменить квалификацию на data science-инженеров

• Аналитикам

Чему вы научитесь
Применять алгоритмы классического машинного обучения
Использовать алгоритмы компьютерного зрения
Проводить аналитику больших данных
Работать с операционной системой Linux
Пользоваться алгоритмами бустинга и бэкинга
Программа курса
Модуль 1. Машинное обучение

1.1. Технологии для обработки данных
1.1.1 Структура курса. Linux (Centos)
1.1.2 Linux (Centos)
1.1.3 Виртуальные машины
1.1.4 Docker
1.1.5 Реляционные базы данных (РСУБД)
1.1.6 Python, numpy
1.1.7 Pandas и работа с РСУБД
1.1.8 Matplotlib, seaborn
1.1.9 Flask

1.2. Простейшие алгоритмы машинного обучения
1.2.1 Введение в машинное обучение. Метрики качества. Матрица ошибок
1.2.2 Линейная регрессия
1.2.3 Логистическая регрессия. Полиномиальная регрессия
1.2.4 Регуляризация. Гребневая регрессия. Лассо
1.2.5 SVM
1.2.6 Решающее дерево
1.2.7 Снижение размерности. PCA
1.2.8 Основы статистики. p-value, t-value. Проверка гипотез
1.2.9 Непараметрическая статистика. KS-test. Bootstrap

1.3. Кластерный анализ
1.3.1 k-means кластеризация
1.3.2 Иерархическая кластеризация

1.4. Алгоритмы бустинга и бэкинга
1.4.1 Случайный лес. Беггинг. Бустинг
1.4.2 Градиентный бустинг

Модуль 2. Нейронные сети и алгоритмы глубокого обучения. Применение искусственного интеллекта в обработке текста и цифровых изображений. Проектная работа

2.1. Нейронные сети
2.1.1 Нейронные сети. Обратное распространение ошибки
2.1.2 Свертка и слои нейронной сети
2.1.3 Pytorch
2.1.4 NN Architectures (ResNet, VGG)
2.1.5 Автокодировщики
2.1.6 LSTM, GRU. Рекуррентные нейронные сети
2.1.7 LLM модели
2.1.8 Seq2Seq, Encoder-Decoder. Attention

2.2 Использование Машиного обучения на предприятии
2.2.1 Стандарт CRISP-DM для данных
2.2.2 Стандарт CRISP-DM для ИИ

2.3. Аналитика больших данных
2.3.1 ARIMA, SARIMA
2.3.2 Обработка данных
2.3.3 Плавающее окно
2.3.4 RF Regressor, Feature engineering

2.4. Обработка естественного языка
2.4.1 Предобработка текста. nltk
2.4.2 Упрощенное представление текста. TF-IDF, word2vec
2.4.3 Эмбединги. ELMO
2.4.4 Трансформер, BERT

2.5. Алгоритмы компьютерного зрения
2.5.1 Цветовые пространства
2.5.2 Сверточные
2.5.3 Морфологические фильтры
2.5.4 Распознавание лиц
2.5.5 YOLO, Object Detetion, Image segmentation

Промежуточная аттестация