Aprendizaje automático. Avanzado - curso gratuito de Otus, formación 5 meses, Fecha: 4 de diciembre de 2023.
Miscelánea / / December 08, 2023
Dominará técnicas avanzadas de aprendizaje automático que le permitirán sentirse seguro al liderar puestos intermedios/superiores y hacer frente incluso a tareas no estándar.
Ampliarás tu gama de herramientas disponibles para el trabajo. Además, incluso para temas como los métodos bayesianos y el aprendizaje por refuerzo, que normalmente se enseñan exclusivamente en forma teórica, seleccionamos casos prácticos reales de nuestras prácticas.
Un módulo separado está dedicado a trabajar en producción: configurar el entorno, optimizar el código, crear canalizaciones de un extremo a otro e implementar soluciones.
Asignaciones de proyectos versátiles
Durante el curso, completarás varias tareas prácticas para consolidar tus habilidades en los temas tratados. Cada tarea es un proyecto práctico de análisis de datos que resuelve una aplicación específica de aprendizaje automático.
¿Para quién es este curso?
Para analistas, programadores y científicos de datos que practican el aprendizaje automático. El curso lo ayudará a ampliar sus capacidades y avanzar en su carrera profesional.
Después de completar el curso podrás:
Configure el entorno y escriba el código de producción listo para su implementación.
Trabajar con enfoques de AutoML y comprender las limitaciones en su uso.
Comprender y ser capaz de aplicar métodos bayesianos y aprendizaje por refuerzo a problemas relevantes.
Resolver problemas no estándar que surgen en sistemas de recomendación, series temporales y gráficos.
Empecé en la escuela con un soldador en mis manos. Luego estaba el ZX Spectrum. Fui a la universidad para especializarme en ingeniería. Hay muchas cosas interesantes en la mecánica, pero en 2008 se impuso el interés por la TI: la informática...
Empecé en la escuela con un soldador en mis manos. Luego estaba el ZX Spectrum. Fui a la universidad para especializarme en ingeniería. Hay muchas cosas interesantes en mecánica, pero en 2008 se hizo cargo del interés por las TI: redes informáticas -> Delphi -> PHP -> Python. Ha habido experimentos con otros idiomas, pero quiero escribir en este idioma. Participó en proyectos para automatizar procesos de negocios utilizando redes neuronales (servicio de pedidos de taxis Maxim) y desarrollar sistemas de información en medicina. Trabajó con sistemas GIS y procesamiento de imágenes usando Python. En la enseñanza, la posición es: “Si alguien no puede explicar algo complejo con palabras simples, significa que todavía no es muy bueno en eso”. entiende.”Educación: Universidad de Kurgan, Departamento de Seguridad de la Información y Sistemas Automatizados, Ph.D. Graduado en 2002 Universidad Estatal de Kurgán con título en “Vehículos de ruedas y orugas multiusos”. En 2005 defendió su tesis sobre transmisiones continuamente variables. Desde entonces trabaja oficialmente en la universidad (KSU). Maestro
Trabaja como analista de datos en el fondo de cobertura Meson Capital. Se dedica a la construcción de diversos modelos que predicen el comportamiento en el mercado de valores. Antes de eso, pasé más de 9 años resolviendo problemas empresariales basados en máquinas...
Trabaja como analista de datos en el fondo de cobertura Meson Capital. Se dedica a la construcción de diversos modelos que predicen el comportamiento en el mercado de valores. Antes de eso, pasó más de 9 años resolviendo problemas comerciales basados en aprendizaje automático en empresas como Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, construyen modelos de visión por computadora, procesamiento del lenguaje natural y tiempo filas. Es profesor invitado en MIPT, donde imparte su propio curso "Practical ML". Valentin completó su maestría en MIPT. Sus intereses incluyen implementar y construir infraestructura para soluciones basadas en datos. Maestro
Desarrollador experimentado, científico y experto en aprendizaje automático/profundo con experiencia en sistemas de recomendación. Tiene más de 30 publicaciones científicas en ruso y lenguas extranjeras, defendió su tesis doctoral sobre el tema del análisis y...
Desarrollador experimentado, científico y experto en aprendizaje automático/profundo con experiencia en sistemas de recomendación. Tiene más de 30 publicaciones científicas en ruso y idiomas extranjeros y defendió su tesis doctoral sobre el análisis y previsión de series temporales. Graduado de la Facultad de Ciencias de la Computación de la Universidad Nacional de Investigación del Instituto de Ingeniería Eléctrica de Moscú, donde en 2008. Recibió una licenciatura, una maestría en 2010 y un candidato de ciencias técnicas en 2014. Incluso antes de comenzar a trabajar en su tesis, me interesé por el análisis de datos y, durante la implementación de mi primer proyecto importante, pasé de ser un programador común y corriente a jefe del departamento de desarrollo. Durante unos 10 años enseñó disciplinas afines en el Instituto de Ingeniería Eléctrica de Moscú de la Universidad Nacional de Investigación, siendo profesor asociado del departamento. Lidera equipos de Ciencia de Datos desarrollando proyectos en el campo de PNL, RecSys, Time Series y Docente de Visión por Computadora.
Aprendizaje automático avanzado. AutoML
-Tema 1.Código de producción del proyecto usando el ejemplo de un problema de clasificación/regresión, Entornos virtuales, gestión de dependencias, pypi/gemfury
-Tema 2. Lección práctica - Optimización de código, paralelización, multiprocesamiento, aceleración de pandas, Modin para Pandas
-Tema 3.Preprocesamiento Avanzado de Datos. Codificaciones categóricas
-Tema 4. Herramientas de funciones: ¿me propondrás funciones?
-Tema 5.H2O y TPOT: ¿vas a construir modelos para mí?
Producción
-Tema 6. Lección práctica - Construcción de pipelines de extremo a extremo y serialización de modelos.
-Tema 7.Arquitectura REST: Flask API
-Tema 8.Docker: Estructura, aplicación, despliegue
-Tema 9.Kubernetes, orquestación de contenedores
-Tema 10. Lección práctica sobre trabajo en producción: implementación de Docker en AWS
Series de tiempo
-Tema 11. Extracción de características. Transformación de Fourier y Wavelet, generación automática de funciones - tsfresh
-Tema 12. Enfoques no supervisados: Agrupación de series temporales
-Tema 13. Enfoques no supervisados: Segmentación de series temporales
Sistemas de recomendación. Tarea de clasificación
-Tema 14. Sistemas de recomendación 1. Comentarios explícitos
-Tema 15. Sistemas de recomendación 2. Comentarios implícitos
-Tema 16. Tarea de clasificación - Aprender a clasificar
-Tema 17. Lección práctica sobre sistemas de recomendación. ¡Sorpresa!
-Tema 18.Preguntas y respuestas
Graficos
-Tema 19. Introducción a los gráficos: conceptos básicos. NetworkX, estelar
-Tema 20. Análisis e interpretación de gráficos. Detección comunitaria
-Tema 21. Predicción de enlaces y clasificación de nodos
-Tema 22. Lección práctica: Haters en Twitter
Aprendizaje bayesiano, PyMC
-Tema 23.Introducción a la modelización probabilística, estimaciones a posteriori, muestreo
-Tema 24.Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
-Tema 25. Pruebas AB bayesianas
-Tema 26.Modelo lineal generalizado (GLM) - Regresiones bayesianas, derivación de estimaciones posteriores de coeficientes
-Tema 27. Lección práctica sobre GLM
-Tema 28. Red de confianza bayesiana: ejercicio práctico
-Tema 29. Lección práctica sobre regresión logit
Aprendizaje reforzado
-Tema 30.Introducción al Aprendizaje por Refuerzo
-Tema 31. Bandidos multiarmados para la optimización de las pruebas AB, desde la teoría - directo a la batalla
-Tema 32. Lección práctica: Bandidos multiarmados en el ecommerce: optimización de búsquedas
-Tema 33.Proceso de Decisión de Markov, Función de Valor, Ecuación de Bellman
-Tema 34. Iteración de valores, Iteración de políticas.
-Tema 35. Lección práctica: caso médico Markov Chain Monte Carlo
-Tema 36.Diferencia Temporal (TD) y Q-learning
-Tema 37.SARSA y Lección Práctica: Caso Financiero TD y Q-learning
-Tema 38.Preguntas y respuestas
Trabajo de proyecto
-Tema 39. Consulta sobre el proyecto, elección del tema.
-Tema 40.Bonificación: Encontrar trabajos de ciencia de datos
-Tema 41.Protección de las obras de diseño
Un curso práctico de introducción al aprendizaje automático. Se considera el ciclo completo de construcción de una solución: desde la selección de los datos iniciales (“archivo .xlsx”) hasta construir un modelo y explicar al cliente final las características de los datos y los detalles del recibido resultado. Las secciones teóricas (clasificación, regresión, predicciones, conjuntos) se presentan en modo descripción general, en la medida necesaria para la correcta construcción y comprensión de los ejemplos que se analizan.
4
41 500 ₽