Основы машинного обучения
Кристина Исакова,
Data Scientist в Holidu
&
Дмитрий Хмеленко,
Software Engineer в Shopify
17 онлайн-занятий
[по вторникам и четвергам]
Комплексный курс с акцентом на практику, который познакомит с задачами Machine Learning и инструментами Amazon Web Services. После курса вы сможете использовать данные, обработанные методами машинного обучения, для аналитики, прогнозирования и оптимизации бизнес-процессов.
*курс преподается на украинском языке
Data Scientists
чтобы не только рисерчить данные, но и интерпретировать их в гипотезы, прогнозировать результаты и давать ценные рекомендации бизнесу, а также овладеть инструментами AWS для реализации моделей Machine Learning.
Web Analysts
чтобы научиться работать с ML-алгоритмами и прорабатывать данные так, чтобы находить инсайты для оптимизации бизнес-задач и улучшения продукта.
Software Engineers
чтобы понять разницу между ML и AI, научиться проходить lifecycle-модели машинного обучения, спланировать миграцию в AWS и свичнуться в Data Science.
компьютерные науки
чтобы разобраться в методах и инструментах Machine Learning, получить практический опыт работы с облачными сервисами AWS и на старте карьеры овладеть популярным направлением.
Machine Learning ― самая горячая ниша в ІТ, и каждый современный бизнес хочет иметь решение на основе машинного обучения. Интернет-магазины разрабатывают уникальные предложения под каждого клиента, музыкальное приложение рекомендует треки на основе ваших лайков, агрегатор новостей классифицирует сообщения по темам, а медики диагностируют заболевания. И все это ― благодаря моделям Machine Learning.
На курсе мы рассмотрим широкий спектр задач, которые решает ML, проанализируем реальные бизнес-кейсы, научимся выбирать модель машинного обучения под конкретную задачу и будем реализовывать модели в облачных хранилищах Amazon Web Services. В результате вы сможете имплементировать в свой проект фичи на основе ML и повысите свою ценность как специалиста на рынке.
умеете писать код на Python на уровне аналитика или имеете опыт коммерческой разработки на другом ООП-языке.
и статистика
хорошо помните линейную алгебру и умеете применять математические формулы, знакомые с базовыми понятиями статистики.
80 % ПРАКТИКИ
Рассмотрите примеры реализации ML-моделей не из Google, а из практического опыта лекторов. Каждое занятие будет сопровождаться real-time обзорами инструментов и livecoding-сессиями, чтобы вы сразу применяли новые знания на практике.
Изучите полезные инструменты AWS для задач Machine Learning: S3, Lambda, Step Functions, SageMaker, Comprehend, Rekognition и т. д.
Научитесь обрабатывать массивы данных, готовить датасет для дальнейшей работы, находить аномалии. Будете решать задачи классификации, кластеризации, регрессии.
Сможете использовать полученные данные для оптимизации бизнес-задач и улучшения продукта. Повысите уровень квалификации и будете профессионально реализовывать модели машинного обучения на текущей или новой работе.
- Познакомитесь с лекторами и больше узнаете об их опыте.
- Рассмотрите темы курса и инструменты, с которыми будете работать.
- Узнаете, что такое машинное обучение и какие задачи можно решать с его помощью.
- Рассмотрите примеры из реальной жизни и кейсы из личного опыта лектора.
- Разберете разницу между задачами кластеризации, классификации, регрессии, а также разницу между неконтролируемым обучением и обучением с подкреплением.
- Получите общий обзор Amazon Web Services (AWS).
- Узнаете, как зарегистрироваться и создать пользователя, предоставить гостевой доступ и т. д.
- Узнаете, что такое услуги ЕС2 и S3 и для чего они нужны. Получите обзор этих инструментов.
- Научитесь работать с файлами и объектами в S3.
- Научитесь настраивать и управлять правами доступа.
- Поймете, что такое регрессия и какие рабочие задачи можно решать с ее помощью.
- Рассмотрите примеры применения регрессии в работе дата-сайентиста и инженера по машинному обучению: цены на авиабилеты, конверсия на сайте и т. д.
- Научитесь самостоятельно создавать и тренировать модель линейной регрессии.
- Научитесь оценивать качество прогноза.
- Узнаете, что такое Lambda-функции в AWS и зачем они нужны.
- Разберете преимущества и недостатки функции Lambda.
- Научитесь создавать простую Lambda-функцию, которая будет просчитывать статистические данные датасета.
- Поймете, что такое нелинейная регрессия, и рассмотрите примеры.
- Проанализируете принцип работы деревьев и ансамблей.
- Создадите и натренируете модель нелинейной регрессии на основе реального датасета.
- Оцените качество своего прогноза.
- Получите общий обзор сервиса SNS для передачи данных между функциями Lambda.
- Научитесь строить цепочки коммуникации между сервисами в AWS.
- Научитесь объединять несколько Lambda-функций в единый пайплайн.
- Рассмотрите сервис EventBridge.
- Узнаете, что такое временные ряды и для чего они используются.
- Поймете, почему классические модели регрессии не работают на временных рядах.
- Рассмотрите модели для временных рядов: ARIMA, Exponential Smoothing, Prophet.
- Научитесь проводить Time Series Analysis.
- Узнаете, что такое CloudFormation и в чем его преимущество.
- Получите обзор AWS Serverless Application Model (SAM).
- Научитесь описывать Lambda-функцию с помощью AWS SAM.
- Научитесь описывать ранее построенную систему через код и готовить ее к масштабированию.
- Поймете, как работают алгоритмы классификации и чем они отличаются от алгоритмов регрессии.
- Научитесь самостоятельно создавать и тренировать модель машинного обучения для задачи классификации.
- Узнаете, какие метрики используются для задач классификации и чем они отличаются от регрессионных.
- Получите обзор сервиса Step Functions.
- Научитесь строить потоки работ для организации процессов машинного обучения в AWS.
- Построите сложную систему из нескольких взаимосвязанных сервисов.
- Разберетесь в разных классификационных моделях.
- Научитесь выбирать модель под конкретную рабочую задачу.
- Научитесь строить прогнозы для мультиклассовой классификации.
- Ознакомитесь с интерфейсом сервиса SageMaker и поймете, зачем его используют.
- Поймете, как работать с регрессией в SageMaker.
- Создадите простую модель для линейной регрессии с использованием AWS SageMaker.
- Поймете, в чем разница между управляемым и неуправляемым обучением.
- Узнаете, что такое полууправляемое обучение.
- Ознакомитесь с алгоритмами кластеризации.
- Научитесь строить модель кластеризации.
- Разберетесь в метриках для валидации результата работы модели кластеризации.
- Рассмотрите алгоритмы кластеризации в AWS SageMaker.
- Научитесь применять алгоритмы для решения задач неуправляемого обучения с использованием AWS SageMaker.
- Ознакомитесь с дополнительными методами в машинном обучении и узнаете, как они могут улучшить метрики.
- Научитесь заполнять пустые значения и использовать кодировку.
- Узнаете, как компоновать модели между собой и строить метамодели.
- Получите обзор сервиса AWS Comprehend для обработки текстов и сервиса AWS Rekognition для анализа и распознавания изображений.
- Ознакомитесь с сервисом AWS Forecast для работы с временными рядами и прогнозирования.
- Примените возможности AWS для обработки текстов, детекции объектов на статических изображениях и видео и т. д.