Machine Learning - Junior Course

Машинное обучение с нуля за 6 месяцев

600.000 ₸

6 месяцев

Для новичков

Формат обучения - Онлайн

Информация о преподавателе

Салта Талгат

Углубленные знания Python, Pandas, Numpy, TensorFlow, Pytorch.

Опыт в преподаваний: более 2 лет.

Навыки

Scikit-learn

Keras

Golang

Python

С++

Практикующий специалист в области машинного обучения и Data Science Выпускник профильного вуза Queen Mary University of London, 2022 Master of Science in Computing and Information Systems Опыт работы более 8 лет в IT

О проекте

Курс «Машинное обучение для начинающих» представляет собой практический онлайн курс, направленный на формирование прочной базы знаний в области машинного обучения и развитие навыков построения моделей. Участники познакомятся с основными методами и инструментами ML, освоят этапы работы с данными, базовые алгоритмы и завершат курс собственным проектом

195 академических часов

Язык обучения – Русский

Длительность курса - 26 недель

Стоимость курса – 600.000 KZT

Процесс отбора студентов, предполагает 3 этапа

Тестирование

Прохождение тестового задания.

Мотивационное письмо

Оценка резюме и мотивационных писем.

Интервью

Интервью с преподавателем и куратором курса.

Критерии отбора студентов

  • Выполнение тестового задания должно быть не менее чем на 70% от максимально возможного количества баллов.

  • Получение не менее 7 баллов из 10, при оценке мотивационных писем.

  • Положительное решение о допуске к курсу по итогам интервью с преподавателем и куратором курса

Кому подойдет курс?

Кто уже работает

Кто хочет сменить профессию, и кому требуется удаленная работа в IT-сфере

Студентам

Которые хотят развиваться в новом и современном направлений

Разработчикам

Кто хочет закрепить свои знания практикой

Программа курса

  • Что такое машинное обучение? AI, ML, DL

  • Основные виды: контролируемое, неконтролируемое, обучение с подкреплением

  • Установка и настройка инструментов (Python, Jupyter, библиотеки)

  • Основы Python для ML

  • pandas: работа с данными

  • Визуализация данных (matplotlib, seaborn)

  • Основы NumPy

  • Линейная регрессия

  • Логистическая регрессия

  • k-NN

  • Деревья решений и случайный лес

  • Алгоритмы бустинга: AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoost

  • Метрики оценки моделей

  • Кластеризация (k-Means, иерархическая кластеризация)

  • Снижение размерности (PCA)

  • автоматический подбор модели и гиперпараметров с Auto инструментами и платформы управление ML-проектами

  • Основы нейронных сетей и трансформеров

  • Обратное распространение ошибки (backpropagation)

  • Функции активации (ReLU, sigmoid, softmax)

  • Обзор моделей: CNN, RNN, BERT, GPT

  • CNN для классификации изображений (MNIST)

  • Практика: генерация текста с помощью модели GPT-2 или ChatGPT API

  • Выбор задачи и данных

  • Подготовка и анализ данных

  • Обучение и оптимизация моделей

  • Презентация результатов