Готов поднять искусственный интеллект на новый уровень, став machine learning специалистом? Роботы скучают, виртуальная реальность блекнет, дронам тяжело. Без тебя.
Machine Learning / Машинное обучение / — это подраздел искусственного интеллекта, изучающий и применяющий методы построения алгоритмов, способных обучаться. Иными словами, вы учите роботов учиться, поднимая уровень их искусственного интеллекта и приближая будущее.
Шаблонный код и скучные проекты - это то, что можно забыть. Виртуальная реальность, дроны и умные машины - это то, что станет вашей работой!
Прям все подходят?
Нет. Но вот простой тест: Machine learning, neural networks, data science, artificial intelligence, drones, computer vision, virtual reality, augmented reality, big data - понял хотя бы одно выражение? Если да, то ты почти в обойме.
Что меня ждет?
Если в трех словах, то: Практически. Одна. Практика.
- Сквозной проект. На каждом занятии будет итерационно добавляться что-то новое
- Онлайн материалы. Презентации, часть курса в виде лекций онлайн
- 14 человек в группе. К каждому успеют подойти, считай - репетиторство
- Работа на своих ноутах. Дома тоже придется ковыряться - изучать вот это вот всё
Это долго?
Нормально. Весь курс - 36 часов. 1 раз в неделю по 4 академических часа одно занятие/ 180 минут /
Кем я стану?
Junior data scientist, способный расти и уже сегодня принимать участие в разработке сложных систем искусственного интеллекта. Да всё ещё впереди, но ведь нужен правильный старт?!
Содержание курса
Неделя 1. Введение в курс. Подготовка данных для моделирования в Python c использованием пакетов Numpy и Pandas: объекты Ndarray, Series, DataFrame, а также атрибуты методы и функции для работы с ними
Неделя 2. Обучение без учителя. Кластерный анализ. Задачи и оценка качества кластеризации. Типы кластеризации: плоская, иерархическая, мягкая. Метод K-Means. Сравнение плоских методов. Агломеративная кластеризация, построение дендрограммы. Смесь Гауссовских распределений (Gaussian Mixture Model).
Неделя 3. Обучение с учителем – Регрессия. Математическая модель линейной регрессии. Нахождение коэффициентов методом градиентного спуска. Модели линейной регрессии с полиномиальными переменными и регуляризацией. Метрики оценки качества моделей регрессии. Валидация моделей.
Неделя 4. Обучение с учителем – Классификация. Модели классификации: линейная модель и модели на основе ансамблей разрешающих деревьев. Метрики оценки качества моделей классификации. Задачи бинарной и мультикласс классификации. Проблема несбалансированных классов. Оптимизация гиперпараметров модели.
Неделя 5. Анализ и прогнозирование временных рядов. Понятие временного ряда, тренда, сезонности. Метрики оценки качества моделей прогнозирования временных рядов. "Наивные" модели. Семейство моделей ARIMA.
Неделя 6. Моделирование и анализ текстовой информации. Задачи Natural Language Processing. Способы представления текста в моделировании. Ключевые методы предобработки текстовой информации. Пакеты для обработки текстовой информации в языке Python.
Неделя 7. Нейронные сети. Виды нейронных сетей. Глубокое обучение. Алгоритм обратного распространения ошибки. Пример решения задачи классификации изображений с помощью многослойной полносвязной нейронной сети. Фреймворк Keras.
Неделя 8. Рекуррентные нейронные сети и их применение. LSTM. Сверточные нейронные сети. Операции “свертка” и “пулинг”. Эмбеддинги. Применение нейронных сетей при обработке текста и изображений. Пример решения задачи классификации текстовой информации с помощью рекуррентной нейронной сети.
Неделя 9. Защита выпускных проектов.
Требования:
- Basic python/R. Course self check. Опыт программирования 2 года;
- Высшее образование тех / эконом / мат / физ;
- Английский на уровне беглого чтения;
- Ноутбук 8 Гб+ оперативы;
- 15 часов свободного времени в неделю.
После окончания курса - сертификат и возможность трудоустройства в одну из компаний-партнёров.