занять
занять на тиждень
старт
За тиждень записалося
Залишилося
Стань Machine Learning Engineer!
На курсі будуть розглянуті різні завдання машинного навчання з точки зору роботи з даними і особливостей різних моделей машинного навчання.
На курсі використовується мова Python — найпоширеніша на сьогоднішній день мова для роботи з машинним навчанням і аналізом даних. На курсі студенти навчаться працювати з традиційними алгоритмами і методами машинного навчання, нейронними мережами, а також обробкою природних мов і комп'ютерним зором.
Цілі курсу
- Навчитися готувати дані і конструювати ознаки
- Навчитися визначати типи необхідної моделі машинного навчання
- Навчитися вибирати алгоритм оптимізації, регуляризації моделі
- Навчитися вибирати метрики для контролю якості моделі
- Візуалізувати отримані результати
Вивчаємо такі технології
-
![Python]()
Python
-
![NumPy]()
NumPy
-
![Matplotlib]()
Matplotlib
-
![Scikit-learn]()
Scikit-learn
-
![Keras]()
Keras
Програма курсу
Machine Learning
20 занять
-
Науки, на яких базується машинне навчання
- Лінійна алгебра
- Статистика
- Оптимізація
- Типи завдань машинного навчання — класифікація і прогноз
-
Основні етапи проєкту машинного навчання
- Підготовка данних
- Вибір моделі, налаштування гіперпараметрів моделі
- Граф обчислень
- Метрики для контролю якості моделі
-
Перспептрон — найпростіша нейронна мережа (ч.1)
- Матричні операції при прямому поширенні сигналу
- Матричні операції при зворотному поширенні сигналу
- Градієнт цільової функції
- Механізм поновлення ваг — навчання!
- Порівняння реалізації персептрона з допомогою NumPy і Keras — швидкість і зручність
- Методи регуляризації і batch-навчання
-
Перспептрон — найпростіша нейронна мережа (ч.2)
- Механізм поновлення ваг — навчання!
- Порівняння реалізації персептрона з допомогою NumPy і Keras — швидкість і зручність
- Методи регуляризації і batch-навчання
-
Рекурентні нейронні мережі
- Послідовні структури даних навколо нас
- Проблема вибухових і зникаючих градієнтів
- LSTM- і GRU-вентилі в архітектурі рекурентних нейронних мереж
-
Згорткові нейронні мережі
- Операція згортки для найпростіших функцій
- Фільтри для отримання ознак зображення за допомогою згорток
- Аналіз ключових елементів архітектури згортальних нейронних мереж
- Найбільш поширені архітектури згортальних нейронних мереж
-
Автокодировщики
- Стиснення інформації при проходженні сигналу через автокодіровщік
- Зниження розмірності, виділення ознак
- Стиснення даних і зниження рівня шуму
-
Метод аналізу головних компонентів
- Набір даних як багатовимірний простір
- Проекції і відстані в багатовимірному просторі
- Аналіз дисперсії в даних і її вплив на розподіл даних
-
Методи кластеризації
- Простановка міток або проведення кордонів
- Що таке сепарабельність даних
- Кластеризація в просторі зниженою розмірності: RFM-аналіз споживачів
-
Ансамблеві методи
- Один сильний класифікатор або багато слабких
- Механізм голосування
- Нетривіальні підходи
-
Дерева і ліси
- Потужна альтернатива нейронних мереж
- Рішення нелінійних задач за допомогою лінійних інструментів
- Бустінг
-
Рекомендаційні системи
- Вектори в багатовимірному просторі
- Способів сказати «поруч» може бути кілька
- Різні способи кодування інформації про покупках
Бонуси курсу
Додайте навички в резюме
-
Базові навички в алгебрі, математичному аналізі, теорії ймовірності та статистики
-
Практичні навички використання Python
-
Використання класичних алгоритмів машинного навчання
-
Побудова повно-зв'язкових нейронних мереж
-
Побудова згорткових нейронних мереж для завдань комп'ютерного зору
-
Використання алгоритмів навчання без учителя
-
Обробка природних мов
-
Практичні навички використання фреймворку PyTorch
Як проходить навчання
Переваги навчання у Комп'ютерній школі Hillel
-
![man-raising-hand]()
Групи по 17 осіб Викладач приділяє час кожному студенту. -
![nerd-face]()
Викладачі практики У нас викладають тільки практикуючі фахівці з топових IT-компаній. -
![briefcase]()
Система особистих кабінетів Ефективне і зручне навчання. -
![speech-balloon]()
Оперативна служба підтримки студентів Термінові питання — своєчасне рішення. -
![videocassette]()
Доступ до відеозаписів занять Записи уроків залишаються у студентів після закінчення навчання. -
![hammer]()
Практичні заняття Велика частина занять орієнтована на практику.
Оплата онлайн
Оплата здійснюється через виставлення інвойсу на e-mail через сервіси LiqPay, Fondy та Mono Pay.
Гарантія повернення оплати
До четвертого заняття ви можете повернути
100% внесених за навчання коштів.
-
Працевлаштування
![rocket]()
Що ми робимо для того, щоб ви досягли успіху?
-
![clipboard]()
Проводимо майстер-класи з підготовки резюме та пошуку роботи
-
![books]()
Регулярно оновлюємо програми курсів під вимоги ринку
-
![smiling-face-with-sunglasses]()
Запрошуємо викладати тільки кращих практикуючих фахівців
-
![globe-with-meridians]()
Розвиваємо нашу мережу партнерів серед топових IT-компаній
-
![direct-hit]()
Наші викладачі часто самі забирають до себе наших кращих Студентів ;)
Наші викладачі та випускники працюють в топових IT-компаніях світу
Спасибо за курс по machine learning. Несмотря на то, что тема очень большая и сложная, преподавателю удалось просто и понятно объяснить основные идеи и попробовать применить их при выполнении домашних заданий. Кроме того, преподаватель всегда был на связи, помогал разобраться со сложными вопросами и поддерживал интерес к занятиям.
Огромное спасибо Роману Захарову за практический курс Machine Learning, на котором я понял и опробовал тему в реальных условиях, сделав предсказания продуктов для Magento платформы. Курс был доступен и понятен.
Преподаватель поддерживал на каждом этапе обучения. Надеюсь, это не последний курс в Днепре, и другим счастливчикам удастся его посетить. Спасибо Ираклий (директор школы), за такого реального практика!
Записался на курс для того, чтобы получить представление о машинном обучении, так как собираюсь развиваться профессионально в данном направлении. Ставил перед собой основные цели — получить начальные знания по теме, понять направления для самостоятельного обучения, данные цели достигнуты полностью.
Плюсы курса:
- краткое, но достаточное освещение теоретической стороны вопроса;
- много практических заданий;
- примеры из реальной практики;
- задания для курсовых работ из предметной области слушателей;
- компетентность преподавателя.
Минусы:
- из-за загрузки преподавателя на основной работе было несколько переносов занятий;
- “ускоренное” прохождение нейронных сетей.
Дуже вдячний Іллі та Денису за їхні старання та викладання, курс був насиченим, цікавим та в міру складним. Домашні завдання були підібрані чудово для закріплення матеріалу. Впевнений що як новачки, так і досвідчені зможуть взяти для себе багато чого корисного. Загалом враження тільки позитивні, всім рекомендую :)
Хочеться виразити велику вдячність школі за чудову організацію курсу Machine Learning! Його перевагою є те, що він дає змогу за достатньо короткий термін отримати уявлення про основи машинного навчання, які застосовуються на практиці. Богдан, викладач курсу, людина з глибокими знаннями в даній галузі, здатний дуже чітко і грамотно пояснити всю математику, на якій базується дана наука. Домашні завдання дають змогу детальніше розібратися з роботою алгоритмів, викладач завжди готовий допомогти під час їх виконання, підказати, направити в правильному напрямку. Також, хотілось би відмітити, велику захопленість викладача даною областю комп’ютерних наук, що не може не передатися студентам. Чудова подача матеріалів та їх підготовка. Рекомендую даний курс всім хто хоче займатися машинним навчанням. Було б круто побачити продовження даного курсу!!!!
Сам по себе курс достаточно интересный и ёмкий. Были продемонстрированы разные модели и методы машинного обучения. Преподаватель дружелюбный, готов отвечать на вопросы в любое время, даже ночью. Для начала, наверное, очень неплохой вариант.
Из минусов. Было много переносов занятий (7 из 19, 4 по личной причине преподавателя). В конце не было дипломного проекта, хотя в программе писалось, что будет. Хотелось получить на последок какую-то задачу, где можно было бы применять те знания, которые были получены. При записи на курс не требовалось знания Python, но лично у меня были с этим сложности и мне приходилось очень много времени тратить в гугле, чтобы выполнить домашние задания.
Сам по себе курс достаточно интересный и ёмкий. Были продемонстрированы разные модели и методы машинного обучения. Преподаватель дружелюбный, готов отвечать на вопросы в любое время, даже ночью. Для начала, наверное, очень неплохой вариант.
Из минусов. Было много переносов занятий (7 из 19, 4 по личной причине преподавателя). В конце не было дипломного проекта, хотя в программе писалось, что будет. Хотелось получить на последок какую-то задачу, где можно было бы применять те знания, которые были получены. При записи на курс не требовалось знания Python, но лично у меня были с этим сложности и мне приходилось очень много времени тратить в гугле, чтобы выполнить домашние задания.
Часті питання
-
Що потрібно знати для навчання на курсі Machine Learning?
Математичний аналіз:
- Похідні
- Правило диференціювання складної функції
- Градієнти
Лінійна алгебра:
- Вектори
- Скалярний добуток і векторний добуток
- Функції та лінійні перетворення
- Множення матриць
- Зворотні функції
- Транспонування матриці
Планування експерименту:
- Перевірка гіпотез
- Тести на статистичну значущість
- Випадковість
- Імовірність
-
Чи видається сертифікат про закінчення курсів міжнародного рівня?
Наш сертифікат про проходження курсів внутрішнього зразка. В першу чергу ми вам надаємо знання, що відповідають вимогам існуючих вакансій на ринку праці. В IT-сфері при прийомі на роботу на посаді початкового рівня абсолютно не важливо, які у вас є дипломи і яку сертифікацію ви пройшли. В першу чергу роботодавець на співбесіді буде розглядати те, що ви вмієте і в чому є досвід, а не який диплом ви зможете принести з собою. Це стосується як України, так і компаній, що знаходяться за кордоном.
До того ж багато наших курсів вам можуть дати знання, які вам знадобляться для проходження сертифікації віддаленим чином через інтернет. Дану сертифікацію можна пройти тільки віддалено і самостійно.
-
Чи будуть задавати домашні завдання? Чи перевіряється виконане завдання?
Так! Адже це обов'язкова і дуже важлива частина процесу вашого навчання, так як кожен Студент повинен закріпити весь отриманий на занятті матеріал вдома, виконуючи домашні завдання. Кожне задане ДЗ буде перевірятися викладачем, і по ньому ви будете отримувати фідбек. Також деякі завдання розбираються на наступному занятті. Без виконання домашній завдань ніхто не зможе домогтися бажаного результату.
-
Як отримати максимальний бал за домашнє завдання?
Виконання домашніх робіт, одна з найважливіших складових навчання. Для того, щоб отримати максимальний бал за домашнє завдання, потрібно:
- Виконати завдання в зазначені терміни
- Виконати всі умови завдання
- Виконати завдання без помилок
- Перездача домашнього завдання не більше одного разу
-
Який потрібно мати комп'ютер, щоб навчатися на курсі Machine Learning?
Вимоги до комп'ютера для навчання на курсі Machine Learning.
Операційна система:
- Windows 10 64-біт
- macOS 10.13 або вище
- Linux: Ubuntu 16.04 - 20.04
Процесор* :
- Мінімум intel core i5 4-го покоління
- Рекомендується i5 7-го
Оперативна пам'ять:
- Мінімум 8 Гб
- Рекомендується 16 Гб
Пам'ять:
- Мінімально 500 Гб HDD і більш
- Рекомендується 200 Гб SSD і більш
* Допустимі аналоги від AMD
- Популярні курси:
-
Онлайн курс front-end
-
Онлайн курс java для начинающих
