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
Дмитрий Коробченко
Deep Learning R&D Engineer, NVIDIA
Эмиль Богомолов
Инженер-исследователь в группе ADASE Сколтех
Сергей Веренцов
CTO, компания EORA
Андрей Зимовнов
Старший разработчик в Яндекс.Дзен
Показать еще
Цена
15 708 873 сум
Скидка -40%
- 6 283 549 сум
Итого
9 425 324 сум
В рассрочку на 12 мес
1 309 073 UZS/мес
785 444 UZS/мес
Кешбэк
2 827 598 баллов
Похожие курсы
+998 71 205 80 91
Общие вопросы:
ООО «UBRAINS», ИНН 308432936
Юридический адрес: Республика Узбекистан, г. Ташкент, Мирабадский р-н, ул. Афросиаб 4б, каб. 102
Адрес офиса: Республика Узбекистан, г. Ташкент, Мирабадский р-н, ул. Афросиаб 4б, каб. 202
Регистрационный номер 982705
© ООО «UBRAINS», 2024
© ООО «UBRAINS», 2024