Онлайн-интенсив по Python 24–26 июня
Close
Подписка на новости Слёрм
Должность
«Другая» должность
«Я согласен(на) с Политикой Конфиденциальности Слёрм и предоставляю Согласие на обработку персональных данных»
Вы освоите современные инструменты для анализа данных и создадите свои первые модели машинного обучения.

Практик и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и начать карьеру.

Machine Learning

Каталог > Machine Learning
Видеокурс
Старт 28 сентября
80 000 ₽
Используя технологии машинного обучения создаёт системы, которые решают задачи высокого уровня.

Задачи ML-специалиста:
    Чем занимается ML-специалист?

    • обучать нейросети
    • создавать модели для прогнозирования
    • проектировать рекомендательные сервисы
    За последние десятилетия машинное обучение сделало прорыв и вышло на уровень большого бизнеса.
    Оно применяется везде: от тяжёлого машиностроения до выбора сериалов на Netflix.
    Примеры использования:
    Транспорт
    С помощью ML тренируют беспилотные машины, определяют пробки на дорогах и строят оптимальные маршруты.
    Ритейл
    ML позволяет персонифицировать рекламу и скидки, оценивать эффективность промо-акций.
    Здравоохранение
    ML помогает ставить более точные диагнозы и подбирать оптимальное лечение.
    Развлечения
    Новостные ленты или рекомендации фильмов подстраиваются под наши предпочтения тоже благодаря ML.
    Финансы
    Используя ML, банки быстрее принимают решения о выдаче кредитов, прогнозируют изменения объемов вкладов, а ещё подключают к своим системам виртуальных ассистентов.
    Время заняться Machine Learning!
    Машинное обучение — это огромные перспективы:
    • с 2012 по 2021 годы количество вакансий специалистов по Data Science и машинному обучению выросло в 20 раз. Специалистов Machine Learning очень не хватает в Европе сегодня.

    • прямо сейчас стажеров и профессионалов ищут Яндекс,Vk, Сбербанк, Райффайзенбанк, МТС, Tele2 и другие крупные компании.

    Мы подготовили курс, где наглядно и подробно объясняем, что такое Машинное Обучение и как его использовать. Вы изучите принципы математических алгоритмов, современные библиотеки, feature engineering и многое другое.
    Кому подойдёт курс?
    Наш курс рассчитан на программистов, которые хотят переквалифицироваться и начать решать задачи с помощью Машинного Обучения.

    Вы сможете:


    Получить востребованные знания и сменить вектор профессионального развития
    Добиться улучшений на текущем месте, применяя методы ML
    Определиться, нравится ли вам работать в сфере машинного обучения
    Получить востребованные знания и сменить вектор профессионального развития
    Добиться улучшений на текущем месте, применяя методы ML
    Определиться, нравится ли вам работать в сфере машинного обучения
    Чему Вы научитесь?
    Работать с Machine Learning
    Узнаете, что такое Машинное Обучение и чем оно отличается от обычного решения задач в программировании. Разберётесь в задачах регрессии, классификации и кластеризации
    Извлекать данные из разных источников
    Поймёте, как читать файлы различных форматов при помощи Python и библиотеки Pandas
    Аналитически мыслить
    Научитесь самостоятельно разрабатывать план решения проблемы, выдвигать и проверять гипотезы, интерпретировать результаты и представлять их руководству.
    Строить модели машинного обучения
    Освоите алгоритмы машинного обучения. Построите свои первые модели.
    Подготавливать данные
    Поймёте, какие бывают типы данных и в чём заключаются их особенности. Научитесь работать с данными средствами Python
    Работать с последовательностями
    Научитесь прогнозировать временные ряды и создавать рекомендательные системы
    Работать с Machine Learning
    Узнаете, что такое Машинное Обучение и чем оно отличается от обычного решения задач в программировании. Разберётесь в задачах регрессии, классификации и кластеризации
    Извлекать данные из разных источников
    Поймёте, как читать файлы различных форматов при помощи Python и библиотеки Pandas
    Аналитически мыслить
    Научитесь самостоятельно разрабатывать план решения проблемы, выдвигать и проверять гипотезы, интерпретировать результаты и представлять их руководству.
    Строить модели машинного обучения
    Освоите алгоритмы машинного обучения. Построите свои первые модели.
    Подготавливать данные
    Поймёте, какие бывают типы данных и в чём заключаются их особенности. Научитесь работать с данными средствами Python
    Работать с последовательностями
    Научитесь прогнозировать временные ряды и создавать рекомендательные системы
    Единственное требование к знаниям — надо уметь программировать
    Программа
    Тема 1 : Введение в Machine Learning
    1.1. Как устроен этот курс и чему вы научитесь. Что такое Машинное Обучение, чем оно отличается от обычного решения задач в программировании? Чем отличается анализ данных и ML?

    1.2. О Python, типичный цикл разработки, демонстрация установки и настройки окружение.
    Тема 2: Основы анализа данных
    2.1. Типичное представление данных.

    2.2. Основы работы с pandas.

    2.3. Подсчет статистик по текстовым данным.

    2.4. Изучение Matplotlib.
    Тема 3: Простые модели
    3.1. Линейные модели, задача регрессии, задача классификации.

    3.2. Нелинейные модели. Часть 1.

    3.3. Нелинейные модели- нейронные сети. Часть 2.

    3.4. О Pytorch и GPU.
    Тема 4: Работа с изображениями
    4.1. Проблема с изображениями и комбинаторный взрыв. Фундаментальные задачи снижения размерности.

    4.2. Сегментация классов, сегментация объектов, описание объектов, идентификация.

    4.3. Разные виды функций потерь (loss function)

    4.4. Генерация изображений с помощью VAE и теорема Байеса.
    Тема 5: Работа с последовательностями
    5.1. Временные ряды и задачи прогнозирования. Подход с не итеративными моделями и с RNN.

    5.2. Обработка текста часть 1. Классификация, перевод. Подходы основанные на полносвязных нейронных сетях и на основе RNN.

    5.3. Обработка текста часть 2. Сходство текста, генерация текста по тексту, генерация текста по картинке, генерация картинки по тексту и способы решения этих задач. Коротко о механизме внимания и трансформерах.
    Тема 6: Дополнительно
    6.1. Коротко о тех вещах, которые не вошли в этот курс: задачи поиска и рекомендаций, обучение с подкреплением, архитектура систем ML, GAN.
    Тема 1 : Введение в Machine Learning
    1.1. Как устроен этот курс и чему вы научитесь. Что такое Машинное Обучение, чем оно отличается от обычного решения задач в программировании? Чем отличается анализ данных и ML?

    1.2. О Python, типичный цикл разработки, демонстрация установки и настройки окружение.
    Тема 2: Основы анализа данных
    2.1. Типичное представление данных.

    2.2. Основы работы с pandas.

    2.3. Подсчет статистик по текстовым данным.

    2.4. Изучение Matplotlib.
    Тема 3: Простые модели
    3.1. Линейные модели, задача регрессии, задача классификации.

    3.2. Нелинейные модели. Часть 1.

    3.3. Нелинейные модели- нейронные сети. Часть 2.

    3.4. О Pytorch и GPU.
    Тема 4: Работа с изображениями
    4.1. Проблема с изображениями и комбинаторный взрыв. Фундаментальные задачи снижения размерности.

    4.2. Сегментация классов, сегментация объектов, описание объектов, идентификация.

    4.3. Разные виды функций потерь (loss function)

    4.4. Генерация изображений с помощью VAE и теорема Байеса.
    Тема 5: Работа с последовательностями
    5.1. Временные ряды и задачи прогнозирования. Подход с не итеративными моделями и с RNN.

    5.2. Обработка текста часть 1. Классификация, перевод. Подходы основанные на полносвязных нейронных сетях и на основе RNN.

    5.3. Обработка текста часть 2. Сходство текста, генерация текста по тексту, генерация текста по картинке, генерация картинки по тексту и способы решения этих задач. Коротко о механизме внимания и трансформерах.
    Тема 6: Дополнительно
    6.1. Коротко о тех вещах, которые не вошли в этот курс: задачи поиска и рекомендаций, обучение с подкреплением, архитектура систем ML, GAN.
    Спикеры
    Александр Михеев
    • 9 лет опыта в задачах машинного обучения
    • Автор 19 статей и учебного пособия по ML
    • Специализируется на задачах анализа визуальных сцен, механизме attention и задачах property disentanglement
    • Спикер на профильных митапах и конференциях
    Юлия Силова
    • Crowd Solutions Architect в Яндекс
    • ex-intern Брэдфордского университета на проекте COVID-19 Data Quality Analysis
    • ex-руководитель Plekhanov Data Science Club
    Спикеры
    Александр Михеев
    • 9 лет опыта в задачах машинного обучения
    • Автор 19 статей и учебного пособия по ML
    • Специализируется на задачах анализа визуальных сцен, механизме attention и задачах property disentanglement
    • Спикер на профильных митапах и конференциях
    Силова Юлия
    • Crowd Solutions Architect в Яндекс
    • ex-intern Брэдфордского университета на проекте COVID-19 Data Quality Analysis
    • ex-руководитель Plekhanov Data Science Club
    Как проходит обучение?
    Во время обучения вы будете решать задачи, приближённые к реальным.

    Например:
    • создавать модель, которая по картинке генерирует текстовое описание товара;

    • разрабатывать алгоритм, предсказывающий стоимость квартиры по району или этажности;

    • повышать эффективность на заводе и подготовить набор управляющих сигналов для станков.

    Понятная теория
    Много практики
    Стоимость
    80 000 ₽
    Начать учиться
    Рассрочка на 2 месяца, без переплат. Первая оплата через месяц.
    40 000 ₽/мес
    Оплатить от юр.лица
    Мы свяжемся с вами и ответим на вопросы. Сформируем договор, счёт.
    «Я согласен(на) с Политикой Конфиденциальности Слёрм и предоставляю Согласие на обработку персональных данных»