Machine (human) learning — онлайн-курс, обучающий человека машинному обучению от регрессий до нейросетей | robot_dreams
r_d
курс
12 недель / старт 16.12
machine learning

Machine (human) learning

Комплексный онлайн-курс, обучающий человека машинному обучению от регрессий до нейросетей. Проскролльте страницу вниз, чтобы узнать алгоритмы обучения человека и на основе полученных данных принять решение об обучении на курсе.
О курсе

Поскольку курс комплексный, он предполагает некую качественную регрессию человека от значения вида: ‘нейросеть работает как человеческий мозг’ до значения вида: ‘компетенций достаточно для получения должности ML-инженера’.

Временная оценка регрессии: 40 астрономических часов. Оценка изменения свойств человека в периоде действия регрессии: сможет выбирать модели под разные бизнес-задачи с большой точностью, разрабатывать и учить модели без учителя, строить нейронные сети.

16 декабря ↓ 1 марта
→16 декабря — 1 марта
лектор
Егор Чанков

Deep Learning Engineer, Reface

  • 5 лет в IT, 3 — в ML
  • занимается технологией face swap
  • в предыдущем обновлении: ML-инженер в DeckRobot
  • участвовал в Kyiv Algorithms Club
  • дополнительная функция: разрабатывал и вел курсы по машинному обучению в KSE и UData School
программа
1
занятие 16.12
What is машинное обучение
Ознакомьтесь со сферами применения, задачами и инструментами машинного обучения. После вы поймете, в каких задачах реальной жизни применяются алгоритмы машинного обучения.
2
занятие 21.12
Python для машинного обучения
Установите программное обеспечение. Изучите библиотеки и среды разработки. После вы сможете запускать программы, читать код, загружать данные и устранять ошибки.
3
занятие 23.12
Работа с данными
Научитесь готовить данные для исследования, ex. восстанавливать недостающие значения, нормализовывать, проводить скейлинг и кодировку. После вы сможете решать задачи исследований.
4
занятие 28.12
Визуальный анализ данных
Изучите виды графиков и их информативность. Научитесь работать с несбалансированными данными. После вы сможете пользоваться инструментами визуализации данных.
5
занятие 30.12
Инженерия наборов данных
Изучите способы определения важности признаков. Научитесь комбинировать признаки и создавать дополнительные. Посл вы сможете готовить набор данных для получения лучшего результата модели машинного обучения.
6
занятие 11.01
Критерии выбора модели
Научитесь оперировать очевидными и неочевидными метриками качества, а также разбивать данные на тестовую и тренировочную выборки. После сможете выбирать подходящую под задачу модель.
7
занятие 13.01
Задача регрессии, v. 1
Изучите регрессии вида: линейная от двух переменных, полиномиальная. Также изучите виды регуляризации. После научитесь использовать регрессии для задач обучения с учителем, а также определять, когда стоит использовать регуляризацию в метриках.
8
занятие 18.01
Задача регрессии, v. 2
Освойте обучение моделей регрессии, а также пошаговые примеры обучения. После сможете использовать стохастический градиентный спуск, выбирать метрики качества регрессии и применять её модели.
9
занятие 20.01
Задачи классификации, v. 1
Изучите принцип работы алгоритма максимального правдоподобия. Осознайте разницу между бинарными и многоклассовым классификаторами. После научитесь применять вышеописанный алгоритм, классификатор и логистическую регрессию для задач классификации.
10
занятие 25.01
Задачи классификации, v. 2
Освойте методы машинного обучения вида: наивный Байес, k-ближайших соседей. После сможете использовать корректные модели для решения задачи классификации и валидировать результаты работы модели с помощью метрики.
11
занятие 27.01
Деревья решений
Изучите принцип действий деревьев решений, процесс их обучения и критерий разбивки веток деревьев решений. После сможете применять алгоритм деревьев решений для решения задач.
12
занятие 01.02
Ансамбли моделей
Осознайте принцип работы ансамблей моделей. Изучите метод случайного леса. Кроме того, подходы к обучению ансамблей моделей вида: bootstrapping, bagging, boosting. После сможете обучать ансамбли моделей и применять модели градиентного бустинга.
13
занятие 03.02
SVM
Освойте методы вида: максимального расстояния, опорных векторов, ядерный. Научитесь настраивать гиперпараметы алгоритмов классификации. После сможете пользоваться алгоритмом классификации SVM и настраивать гиперпараметры.
14
занятие 08.02
Кластеризация, vol. 1
Получите ответ на вопрос «Что такое кластерный анализ и какие задачи можно решить с его помощью?». Изучите виды кластеризаций: основанная на метрике расстояния, агломеративная, дивизивная. После сможете пользоваться основными принципами и алгоритмами обучения без учителя.
15
занятие 10.02
Кластеризация, vol. 2
Продолжите изучение видов кластеризации: основанная на центроидном методе, метрике густоты данных. Затем изучите алгоритмы k-means, dbscan. Перейдите к следующему шагу: методы уменьшения размерности данных. Наконец, визуализируйте результаты кластеризации.
16
занятие 15.02
Кластеризация, vol. 3
Освойте методы вычисления количества кластеров в алгоритмах с не_заданным количеством кластеров. Научитесь настраивать гиперпараметры алгоритмов кластеризации.
17
занятие 17.02
Нейронные сети
Наконец-то вы дошли до нейросетей. Изучите строение нейронной сети, основные блоки, персептрон, функции активации, etc. После сможете настраивать гиперпараметры нейросетей и пользоваться однослойным и многослойным персептроном.
18
занятие 22.02
Тренировка нейронных сетей
Изучите процесс тренировки нейросетей. Он включает себя функцию ошибки, обратное распространение ошибки и метод регуляризации. После сможете строить нейронные сети.
19
занятие 24.02
Задача «Собственный проект»
Закрепите полученные на курсе знания способом: разработка собственного проекта. Рекомендуется начать со сбора и подготовки данных.
20
лекция 01.03
Презентация проектов
Проверьте степень готовности вашего проекта. If проект готов, than презентуйте.
 
 
 
вы
ваши свойства
  • data scientist
  • data analyst
  • developer
  • ML engineer
ваши свойства
⟶
  • базовые знания по линейной алгебре, исчислению, статистике и теории вероятности
  • минимальный опыт работы с данными, используя Pandas, Numpy или похожие библиотеки
После курса
1
инструменты
будете оперировать инструментами вида: язык программирования Python (для решения задач ML), библиотеки Numpy, Pandas, Scikit-learn и Pytorch
2
алгоритмы
сможете с нуля строить и обучать модели с помощью регрессий, классификаций, кластеризаций
3
будущее
save большой курсовой проект as a портфолио, сможете участвовать в соревнованиях на kaggle и … (please wait) … конвертироваться в инженера машинного обучения
регистрация

это обязательное поле

введите правильный адрес

это тоже обязательное поле

введите корректный номер телефона

и это тоже обязательное поле

 
Регистрируясь, вы соглашаетесь с условиями
договора-оферты и политикой конфиденциальности.
what if … :
1. … курс не понравился – можно вернуть деньги.
2. … не подходит график занятий — уточните, когда будет следующий поток.
3. … вы пропустили занятие – сохраняется запись.
Зарегистрироваться