Назад
Курс Machine Learning и Deep Learning
SkillFactory
Сложность
Для продвинутых
Длительность
5 мес
Программа курса
Введение в машинное обучение
- Знакомимся с основными задачами и методами Machine Learning, изучаем практические кейсы и применяем базовый алгоритм работы над ML-проектом
- Решаем 50+ задач на закрепление темы
Методы предобработки данных
- Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
- Решаем 60+ задач на закрепление темы
Регрессия
- Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию.
- Обучаем модели регрессии
- Решаем 40+ задач на закрепление темы
Кластеризация
- Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
- Решаем 50+ задач на закрепление темы
Tree-based алгоритмы: введение в деревья
- Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
- Решаем 40+ задач на закрепление темы
Tree-based алгоритмы: ансамбли
- Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
- Решаем 40+ задач на закрепление темы
- Участвуем в соревновании на kaggle по обучению tree-based модели
Оценка качества алгоритмов
- Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
- Оцениваем качество нескольких моделей ML
- Решаем 40+ задач на закрепление темы
Временные ряды в машинном обучении
- Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
- Решаем 50+ задач на закрепление темы
Рекомендательные системы
- Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
- Решаем 50+ задач на закрепление темы
Финальный хакатон
- Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle
Введение в искусственные нейронные сети
Создаем нейронную сеть для распознавания рукописных цифр на языке Python
Фреймворки для глубокого обучения (TensorFlow, Keras)
Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras
Сверточные нейронные сети
Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети
Оптимизация нейронной сети
Улучшаем скорость и производительность сетей для кейса предыдущего модуля
Transfer learning & Fine-tuning
Дообучение нейронной сети ImageNET для решения задачи классификации изображений
Сегментация изображений
Проектируем нейронную сеть для сегментации людей в датасете COCO
Детектирование объектов
Обучаем нейросеть решать задачу детекции на примере датасета с логотипами брендов
Введение в NLP и Word Embeddings
Создаем нейросеть для работы с естественным языком
Рекуррентные нейронные сети
Создаем чат-бота на базе рекуррентной нейросети
Reinforcement Learning (обучение с подкреплением)
Создаем агента для игры в Pong на основе DQN алгоритма
What's next?
Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений
Преподаватели
Антон Киселев
Ведущий автор раздела «Введение в DS»Head of Marketing Analytics, Playrix. Эксперт по данным с опытом 15+ лет. Компетенции: Data Science
Эмиль Богомолов
Инженер-исследователь в группе ADASE Сколтех
Андрей Зимовнов
Старший разработчик в Яндекс.Дзен
Сергей Веренцов
CTO, компания EORA
Показать еще
Цена
115 800 ₽
Скидка -40%
- 46 320 ₽
Итого
69 480 ₽
В рассрочку на 18 мес
6 434 RUB/мес
3 860 RUB/мес
Кешбэк
20 844 балла
Похожие курсы
ООО "КорпСкилз", ИНН 7714487720
125047, Российская Федерация, г. Москва, ул. Бутырский Вал, д. 10, этаж 6
Свидетельство о государственной регистрации программы для ЭВМ "Платформа Корпскилз" №2022668910 от 13.10.2022
© ООО «КорпСкилз», 2024
© ООО «КорпСкилз», 2024
Для граждан РФ. Без переплат по процентам и первого взноса, одобрение в день обращения