Aprendizaje automático. Básico - curso 52.668 rublos. de Otus, formación 6 meses, fecha 27 de febrero de 2023.

Miscelánea / by admin / November 30, 2023

click fraud protection

Aprenderá a resolver problemas a partir de procesos de trabajo reales, que suelen ser asignados a especialistas novatos en ciencia de datos. Al final del curso, habrá recopilado un portafolio de trabajo, completado la preparación para entrevistas y asesoramiento profesional.

El curso te dará las bases necesarias:
Pitón. Repasarás los conceptos básicos de programación y aprenderás a utilizar este lenguaje tan relevante en tareas de Machine Learning.
Matemáticas. Dominar las secciones clave para comprender los fundamentos teóricos y los principios de los algoritmos.
Modelos clásicos de aprendizaje automático. Recopile sus conjuntos de datos y complete un proceso completo de trabajo con sus primeros modelos.

Ambiente creativo:
Durante la formación, estarás inmerso en condiciones cercanas a los procesos de trabajo reales. Tendrás que lidiar con datos sucios, pensar en el futuro, experimentar con soluciones y preparar modelos para la producción.
El ambiente del aula anima a los estudiantes a tener curiosidad, discutir activamente y no tener miedo de cometer errores.

instagram viewer

Mentor personal:
Sesiones online de 40 minutos cada semana;
Al comienzo de tu formación, se te asigna un mentor. Al igual que los profesores, los mentores son expertos que trabajan en ciencia de datos;
Una vez a la semana haces tu tarea, la publicas en GitHub y concertas una llamada con tu mentor;
El mentor se familiariza con su código de antemano, por lo que en el momento de la reunión ya sabe a qué prestar atención. También puedes preparar preguntas;
Durante la sesión, el mentor comentará tu decisión. Si es necesario, puede ir inmediatamente al entorno de desarrollo, realizar cambios en el código y ver inmediatamente el resultado.

Después del entrenamiento podrás:
Solicite puestos que requieran competencias junior
Resuelva problemas empresariales reales utilizando métodos de aprendizaje automático
Trabajar con bibliotecas de Python para aprendizaje automático
Hacer frente a situaciones no estándar a través de una profunda comprensión teórica de cómo funcionan los algoritmos y modelos.
Navegue en diversas áreas de la ciencia de datos y seleccione las herramientas adecuadas para la tarea.

María Tijonova

curso

Trabaja como analista de datos en el equipo AGI NLP en Sberbank. Trabaja en modelos de lenguaje de redes neuronales y su aplicación en problemas de la vida real. Cree que trabajar en el campo de la ciencia de datos proporciona una experiencia única...

Trabaja como analista de datos en el equipo AGI NLP en Sberbank. Trabaja en modelos de lenguaje de redes neuronales y su aplicación en problemas de la vida real. Él cree que trabajar en el campo de la ciencia de datos brinda una oportunidad única de hacer cosas locas e interesantes en el borde de la ciencia que están cambiando el mundo aquí y ahora. Imparte materias de análisis de datos, aprendizaje automático y ciencia de datos en la Escuela Superior de Economía. María se graduó en la Facultad de Mecánica y Matemáticas de la Universidad Estatal de Moscú y en la Escuela de Análisis de Datos Yandex. Actualmente María es estudiante de posgrado en la Escuela Superior de Economía de la Facultad de Informática. Sus intereses de investigación incluyen áreas de ciencia de datos como el procesamiento del lenguaje natural y el modelado de temas. Director del programa

Dmitri Sergueev

curso

Practicando aprendizaje automático y análisis de datos desde 2012. Actualmente trabaja como Jefe de I+D en WeatherWell. Tiene experiencia en la aplicación práctica del aprendizaje automático en el desarrollo de juegos, banca y tecnología de la salud. Enseñó aprendizaje automático y análisis de datos en el Centro de Finanzas Matemáticas de la Universidad Estatal de Moscú y fue profesor invitado en la Facultad de Ciencias de la Computación de la Escuela Superior de Economía de la Universidad Nacional de Investigación y en varias escuelas de verano. Educación: Economía-matemáticas REU im. Plejánov, Facultad Central de Matemáticas y Matemáticas de la Universidad Estatal de Moscú, formación profesional avanzada de la Facultad de Informática de la Escuela Superior de Economía "Análisis práctico de datos y aprendizaje automático", Maestría en Informática Aalto Pila universitaria/Intereses: Python, aprendizaje automático, series temporales, detección de anomalías, datos abiertos, aprendizaje automático para redes sociales bien

Introducción a Python
-Tema 1.Conociendonos
-Tema 2. Configuración del ambiente de trabajo
-Tema 3.Tipos básicos y estructuras de datos. Control de flujo
-Tema 4.Trabajar con funciones y datos
-Tema 5.Git, shell

Introducción a Python. POO, módulos, bases de datos.
-Tema 6. Fundamentos de la POO
-Tema 7. POO avanzada, excepciones
-Tema 8. POO avanzada, continuación
-Tema 9.Módulos e importaciones
-Tema 10.Pruebas
-Tema 11.Introducción a los módulos integrados
-Tema 12. Archivos y red

Conceptos básicos de Python para ML
-Tema 13. Conceptos básicos de NumPy
-Tema 14. Conceptos básicos de los pandas
-Tema 15.Visualización de datos

Mínimo teórico para ML: matemáticas, lineal, estadística
-Tema 16.Matrices. Conceptos y operaciones básicos
-Tema 17.Práctica. matrices
-Tema 18. Diferenciación y optimización de funciones.
-Tema 19.Práctica. Diferenciación y optimización de funciones.
-Tema 20. Algoritmos y complejidad computacional
-Tema 21.MNC y MSE
-Tema 22.Práctica. EMN y MyPE
-Tema 23. Variables aleatorias y su modelización
-Tema 24.Práctica. Variables aleatorias y su modelado.
-Tema 25. Estudio de las dependencias: cantidades nominales, ordinales y cuantitativas.
-Tema 26.Práctica. Estudio de dependencias: cantidades nominales, ordinales y cuantitativas.
-Tema 27.Pruebas AB

Métodos básicos de aprendizaje automático
-Tema 28.Introducción al aprendizaje automático
-Tema 29.Análisis y Preprocesamiento Exploratorio de Datos
-Tema 30. Problema de clasificación. Método de vecinos más cercanos
-Tema 31. Problema de regresión. Regresión lineal
-Tema 32.Regresión logística
-Tema 33.Árboles de decisión
-Tema 34.Ingeniería de características y preprocesamiento avanzado
-Tema 35. Lección práctica: resolver Kaggle usando todo lo que hemos aprendido

Trabajo de proyecto
-Tema 36. Selección del tema y organización del trabajo del proyecto.
-Tema 37. Consulta de proyectos
-Tema 38.Protección de proyectos

Nube

Miscelánea

Clasificación

vistas

Comentarios