Aprendizado de máquina. Profissional - curso gratuito da Otus, treinamento 5 meses, Data: 2 de dezembro de 2023.
Miscelânea / / December 05, 2023
Você dominará consistentemente ferramentas modernas de análise de dados e será capaz de criar modelos de aprendizado de máquina em nível profissional. Para consolidar suas habilidades com cada algoritmo, você realizará um pipeline completo de trabalho, desde a preparação do conjunto de dados até a análise dos resultados e preparação para produção. A prática e o conhecimento que você receberá serão suficientes para resolver problemas clássicos de ML de forma independente e se candidatar a cargos de Cientista de Dados Júnior + e Médio.
Projetos de portfólio
Durante o curso, você realizará diversos projetos de portfólio e aprenderá a apresentar com competência os resultados do seu trabalho para passar em entrevistas. Para o seu projeto final, você pode escolher uma das opções propostas pelo professor ou implementar sua própria ideia.
Para quem é este curso?
Para analistas iniciantes e cientistas de dados. O curso o ajudará a sistematizar e aprofundar seus conhecimentos. Você poderá experimentar abordagens, analisar casos de trabalho e receber feedback de alta qualidade de especialistas.
Para desenvolvedores e especialistas de outras áreas que desejam mudar de profissão e se desenvolver na área de Data Science. O curso lhe dará a oportunidade de construir um portfólio forte e mergulhar na atmosfera das tarefas da vida real como cientista de dados.
Para aprender, você precisará de experiência em Python ao nível de escrever suas próprias funções, bem como conhecimento de análise matemática, álgebra linear, teoria das probabilidades e matemática. Estatisticas.
Recursos do curso
Melhores práticas e tendências. A cada lançamento, o programa é atualizado para refletir as tendências em rápida mudança na Ciência de Dados. Após o treinamento, você poderá começar imediatamente a trabalhar em projetos reais.
Habilidades secundárias importantes. O curso inclui temas que normalmente passam despercebidos, mas são necessários para um especialista nas tarefas cotidianas e são muito valorizados pelos empregadores:
— construir sistemas para pesquisa automática de anomalias;
— previsão de séries temporais usando aprendizado de máquina;
— pipelines ponta a ponta para trabalhar com dados, prontos para implementação em produção.
Atmosfera criativa e condições próximas dos processos reais de trabalho. Todo o curso é construído como um simulador do dia a dia de trabalho de um cientista de dados, onde você terá que lidar com dados “sujos”, calcule suas ações com antecedência, experimente soluções e prepare modelos em Produção Nesse caso, você precisará de curiosidade, perseverança e sede de novas experiências.
3
cursoTrabalha como analista de dados na equipe AGI NLP no Sberbank. Trabalha com modelos de linguagem de redes neurais e sua aplicação em problemas da vida real. Acredita que trabalhar na área de Data Science proporciona uma experiência única...
Trabalha como analista de dados na equipe AGI NLP no Sberbank. Trabalha com modelos de linguagem de redes neurais e sua aplicação em problemas da vida real. Ele acredita que trabalhar na área de Ciência de Dados oferece uma oportunidade única de fazer coisas malucas e legais na vanguarda da ciência que estão mudando o mundo aqui e agora. Lecciona disciplinas de análise de dados, aprendizagem automática e ciência de dados na Escola Superior de Economia. Maria se formou na Faculdade de Mecânica e Matemática da Universidade Estadual de Moscou e na Escola Yandex de Análise de Dados. Maria é atualmente estudante de pós-graduação na Escola Superior de Economia da Faculdade de Ciências da Computação. Seus interesses de pesquisa incluem áreas de ciência de dados, como processamento de linguagem natural e modelagem de tópicos. Gerenciador de programa
3
cursoPraticando aprendizado de máquina e análise de dados desde 2012. Atualmente trabalhando como Chefe de P&D na WeatherWell. Tem experiência na aplicação prática de aprendizado de máquina em desenvolvimento de jogos, bancos e...
Praticando aprendizado de máquina e análise de dados desde 2012. Atualmente trabalhando como Chefe de P&D na WeatherWell. Tem experiência na aplicação prática de aprendizado de máquina em desenvolvimento de jogos, bancos e Health Tech. Ele ensinou aprendizado de máquina e análise de dados no Centro de Finanças Matemáticas da Universidade Estadual de Moscou e foi professor convidado na Faculdade de Ciência da Computação da Escola Superior de Economia da Universidade Nacional de Pesquisa e em várias escolas de verão. Educação: Economia-matemática REU im. Plekhanov, Faculdade Central de Matemática e Matemática da Universidade Estadual de Moscou, treinamento profissional avançado da Faculdade de Ciência da Computação da Escola Superior de Economia "Análise prática de dados e aprendizado de máquina", MSc Ciência da Computação Aalto Pilha/interesses universitários: Python, aprendizado de máquina, séries temporais, detecção de anomalias, dados abertos, ML para redes sociais bom
Técnicas avançadas de aprendizado de máquina
-Tópico 1. Aula introdutória. Revisite conceitos básicos de aprendizado de máquina com um exemplo prático
-Tópico 2.Árvores de decisão
-Tema 3.Python para ML: pipelines, aceleração de pandas, multiprocessamento
-Tópico 4.Conjuntos de modelos
-Tópico 5. Aumento de gradiente
-Tópico 6. Máquina de vetores de suporte
-Tópico 7.Métodos de redução de dimensionalidade
-Tópico 8. Aprendendo sem professor. K-médias, algoritmo EM
-Tópico 9. Aprendendo sem professor. Agrupamento hierárquico. Varredura de banco de dados
-Tópico 10. Encontrando anomalias nos dados
-Tópico 11. Aula prática - Construção de pipelines ponta a ponta e serialização de modelos
-Tópico 12.Algoritmos em gráficos
Coleção de dados. Análise de dados de texto.
-Tópico 13. Coleta de dados
-Tópico 14.Análise de dados de texto. Parte 1: Pré-processamento e tokenização
-Tópico 15.Análise de dados de texto. Parte 2: Representações vetoriais de palavras, trabalhando com embeddings pré-treinados
-Tópico 16.Análise de dados de texto. Parte 3: Reconhecimento de Entidade Nomeada
-Tópico 17.Análise de dados de texto. Parte 4: Modelagem de Tópicos
-Tópico 18. Perguntas e Respostas
Análise de série temporal
-Tópico 19. Análise de séries temporais. Parte 1: Declaração do problema, métodos mais simples. Modelo ARIMA
-Tópico 20. Análise de séries temporais. Parte 2: Extração de recursos e aplicação de modelos de aprendizado de máquina. Previsão automática
-Tópico 21. Análise de série temporal Parte 3: Agrupamento de séries temporais (procurando cotações de ações relacionadas)
Sistemas de recomendação
-Tópico 22. Sistemas de recomendação. Parte 1: Declaração do problema, métricas de qualidade. Filtragem colaborativa. Partida a frio
-Tópico 23. Sistemas de recomendação. Parte 2: Filtragem de conteúdo, abordagens híbridas. Regras de associação
-Tópico 24. Sistemas de recomendação. Parte 3: Feedback implícito
-Tópico 25. Aula prática sobre sistemas de recomendação. Surpresa
-Tópico 26. Perguntas e Respostas
Tópicos adicionais
-Tópico 27.Treinamento Kaggle ML nº 1
-Tópico 28.Treinamento Kaggle ML nº 2
-Tópico 29.ML no Apache Spark
-Tópico 30.Procurando empregos em Ciência de Dados
Projeto de trabalho
-Tópico 31. Seleção do tema e organização do trabalho do projeto
-Tópico 32. Consulta sobre projetos e trabalhos de casa
-Tópico 33.Proteção do trabalho de design