Machine Learning Basics
Кристина Ісакова,
Data Scientist у Holidu
&
Дмитро Хмеленко,
Software Engineer у Shopify
17 онлайн-занять
[щовівторка та щочетверга]
Комплексний курс з акцентом на практику, який познайомить із задачами Machine Learning та інструментами Amazon Web Services. Після курсу ви зможете використовувати дані, оброблені методами машинного навчання, для аналітики, прогнозування й оптимізації бізнес-процесів.
*курс викладається українською мовою
Data Scientists
щоби не тільки рісерчити дані, а й інтерпретувати їх у гіпотези, прогнозувати результати та давати цінні рекомендації бізнесу, а також опанувати інструменти AWS для реалізації моделей Machine Learning.
Web Analysts
щоби навчитися працювати з ML-алгоритмами й опрацьовувати дані так, аби знаходити інсайти для оптимізації бізнес-задач та покращення продукту.
Software Engineers
щоби зрозуміти різницю між ML та AI, навчитися проходити lifecycle-моделі машинного навчання, спланувати міграцію в AWS та свічнутися в Data Science.
компʼютерні науки
щоби розібратися в методах та інструментах Machine Learning, отримати практичний досвід роботи з хмарними ресурсами AWS і на старті карʼєри опанувати популярний напрямок.
Machine Learning ― найгарячіша ніша в ІТ, і кожний сучасний бізнес хоче мати рішення на основі машинного навчання. Інтернет-магазини розробляють унікальні пропозиції під кожного клієнта, музичний застосунок рекомендує треки на основі тих, які ви лайкаєте, агрегатор новин класифікує дописи за темами, а медики діагностують захворювання. І все це ― завдяки моделям Machine Learning.
На курсі ми розглянемо широкий спектр задач, які розвʼязує ML, проаналізуємо реальні бізнес-кейси, навчимося вибирати модель машинного навчання під конкретну задачу та реалізовуватимемо моделі в хмарних сервісах Amazon Web Services. У результаті ви зможете імплементувати у свій проєкт фічі на основі ML та підвищите свою цінність як фахівця на ринку.
вмієте писати код на Python на рівні аналітика або маєте досвід комерційної розробки іншою ООП-мовою.
та статистика
добре пам'ятаєте лінійну алгебру та вмієте застосовувати математичні формули, знайомі з базовими поняттями статистики.
80 % ПРАКТИКИ
Розглянете приклади реалізації ML-моделей не з Google, а з власного досвіду лекторів. Кожне заняття супроводжуватиметься real-time оглядами інструментів та livecoding-сесіями, щоби ви одразу застосовували нові знання на практиці.
Вивчите корисні інструменти AWS для задач Machine Learning: S3, Lambda, Step Functions, SageMaker, Comprehend, Rekognition тощо.
Навчитеся обробляти масиви даних, готувати датасет для подальшої роботи, знаходити аномалії. Розвʼязуватимете задачі класифікації, кластеризації, регресії.
Зможете використовувати отримані дані для оптимізації бізнес-задач і покращення продукту. Підвищите рівень кваліфікації та професійно реалізовуватимете моделі машинного навчання на поточній або новій роботі.
- Познайомитеся з лекторами та більше дізнаєтеся про їхній досвід.
- Оглянете теми курсу та інструменти, з якими працюватимете.
- Дізнаєтеся, що таке машинне навчання та які задачі можна розвʼязувати з його допомогою.
- Розглянете приклади з реального життя та кейси з особистого досвіду лекторки.
- Розберете різницю між задачами кластеризації, класифікації, регресії, а також різницю між неконтрольованим навчанням та навчанням із підкріпленням.
- Отримаєте загальний огляд Amazon Web Services (AWS).
- Дізнаєтесь, як зареєструватися та створити юзера, надати гостьовий доступ тощо.
- Дізнаєтеся, що таке сервіси ЕС2 і S3 та для чого вони потрібні. Отримаєте огляд цих інструментів.
- Навчитеся працювати з файлами та обʼєктами в S3.
- Навчитеся налаштовувати та керувати правами доступу.
- Зрозумієте, що таке регресія та які робочі задачі можна розвʼязувати з її допомогою.
- Розглянете приклади застосування регресії в роботі дата-саєнтиста та інженера з машинного навчання: ціни на авіаквитки, конверсія на сайті тощо.
- Навчитеся самостійно створювати та тренувати модель лінійної регресії.
- Навчитеся оцінювати якість прогнозу.
- Дізнаєтеся, що таке Lambda-функції в AWS і для чого вони потрібні.
- Розберете переваги та недоліки Lambda-функції.
- Навчитеся створювати просту Lambda-функцію, яка прораховуватиме статистичні дані датасету.
- Зрозумієте, що таке нелінійна регресія, та розглянете приклади.
- Проаналізуєте принцип роботи дерев і ансамблів.
- Створите й натренуєте модель нелінійної регресії на основі реального датасету.
- Оціните якість власного прогнозу.
- Отримаєте загальний огляд сервісу SNS для передачі даних між Lambda-функціями.
- Навчитеся будувати ланцюжки комунікації між сервісами в AWS.
- Навчитеся поєднувати кілька Lambda-функцій в єдиний пайплайн.
- Розглянете сервіс EventBridge.
- Дізнаєтеся, що таке часові ряди та для чого вони використовуються.
- Зрозумієте, чому класичні моделі регресії не працюють на часових рядах.
- Розглянете моделі для часових рядів: ARIMA, Exponential Smoothing, Prophet.
- Навчитеся проводити Time Series Analysis.
- Дізнаєтеся, що таке CloudFormation і в чому його перевага.
- Отримаєте огляд сервісу AWS Serverless Application Model (SAM).
- Навчитеся описувати Lambda-функцію за допомогою AWS SAM.
- Навчитеся описувати раніше побудовану систему через код і готувати її до масштабування.
- Зрозумієте, як працюють алгоритми класифікації та чим вони відрізняються від алгоритмів регресії.
- Навчитеся самостійно створювати та тренувати модель машинного навчання для задачі класифікації.
- Дізнаєтесь, які метрики застосовуються для задач класифікації та чим вони відрізняються від регресійних.
- Отримаєте огляд сервісу Step Functions.
- Навчитеся будувати потоки робіт для організації процесів машинного навчання в AWS.
- Побудуєте складну систему з кількох взаємоповʼязаних сервісів.
- Розберетеся в різних класифікаційних моделях.
- Навчитеся вибирати модель під конкретну робочу задачу.
- Навчитеся будувати прогнози для мультикласової класифікації.
- Ознайомитеся з інтерфейсом сервісу SageMaker і зрозумієте, для чого його використовують.
- Зрозумієте, як працювати з регресією в SageMaker.
- Створите просту модель для лінійної регресії з використанням AWS SageMaker.
- Зрозумієте, в чому різниця між керованим і некерованим навчанням.
- Дізнаєтеся, що таке напівкероване навчання.
- Ознайомитеся з алгоритмами кластеризації.
- Навчитеся будувати модель кластеризації.
- Розберетеся в метриках для валідації результату роботи моделі кластеризації.
- Розглянете алгоритми кластеризації в AWS SageMaker.
- Навчитеся застосовувати алгоритми для розв'язання задач некерованого навчання з використанням AWS SageMaker.
- Ознайомитеся з додатковими методами в машинному навчанні та дізнаєтесь, як вони можуть покращити метрики.
- Навчитеся заповнювати порожні значення і використовувати кодування.
- Дізнаєтесь, як компонувати моделі між собою та будувати метамоделі.
- Отримаєте огляд сервісу AWS Comprehend для обробки текстів і сервісу AWS Rekognition для аналізу і розпізнавання зображень.
- Ознайомитесь із сервісом AWS Forecast для роботи з часовими рядами та прогнозування.
- Застосуєте можливості AWS для обробки текстів, детекції обʼєктів на статичних зображеннях і відео тощо.