Machine Learning - Junior Course

Машинное обучение с нуля за 6 месяцев

600.000 ₸

6 месяцев

Для новичков

Формат обучения - Онлайн

Информация о преподавателе

Рамазан Арман

Рамазан Арман

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

Опыт в преподаваний: более 2 лет.

Навыки

Scikit-learn

Keras

Golang

Python

С++

Software разработчик с опытом разработки более 3-ех лет. Оканчивал бакалавриат в КБТУ на факультете "Математическое компьютерное моделирование". Обладает степенью магистра, полученнойна факультете Data Science в МУИТ. Опыт в преподаваний: более 2 лет. Углубленные знания Python, Pandas, Numpy,TensorFlow, Pytorch. Методика преподавания основана на практикес последующим углублением в теорию. Умение объяснять сложные вещи простымязыком, креативный подход к решению задач,и всегда готов к экспериментам и новым вызовам.

О проекте

Этот курс машинного обучения является путешествием от базовых понятий до глубоких знаний в области искусственного интеллекта. Участники начнут с изучения фундаментальных принципов программирования, где они научатся структурировать ианализировать данные, создавать алгоритмы и разбираться в логике кодирования. Ониисследуют динамические структуры данных и принципы объектно-ориентированного дизайна, приобретая навыки для решения сложных задач. В последующей части курса раскроется математическая сторона машинного обучения. Учащиеся погрузятся в мир алгебры и статистики, обучаясь интерпретировать и применятьчисловые данные для выявления закономерностей и прогнозирования результатов. Студенты исследуют, как математические методы лежат в основе алгоритмов обучения, позволяя машинам учиться и адаптироваться, изучат различные стратегии обучения, методыоценки и настройки моделей, приобретая умения, необходимые для решения реальных задач. В конечном итоге, курс подведет к разработке собственных проектов, где студенты смогутприменить свои знания на практике, создавая инновационные решения с использованиеммашинного обучения. Этот опыт позволит им не только понять техническую сторону, но иосознать влияние искусственного интеллекта на реальный мир, готовя их к вкладу в будущеетехнологий.

215 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

  • Введение в Python: история, установка, первая программа

  • Синтаксис Python: переменные, типы данных, операторы

  • Управляющие структуры: условные операторы, циклы

  • Функции в Python: определение, аргументы, возвращаемые значения

  • Структуры данных: списки, кортежи, словари, множества

  • Введение в ООП: классы, объекты, инкапсуляция

  • Исключения и обработка ошибок

  • Модули и пакеты: импорт, создание, использование

  • Midterm: Создание программы калькулятора

  • Глубокое погружение в ООП: наследование, полиморфизм, композиция

  • Работа с файлами и директориями: чтение, запись, стандартные библиотеки

  • Введение в регулярные выражения и их применение

  • Итераторы и генераторы

  • Декораторы и контекстные менеджеры

  • Виртуальные окружения и управление зависимостями

  • Обзор полезных стандартных библиотек

  • Midterm: Создание библиотеки для обработки данных пользователя (валидация форм, обработка строк)

  • Линейная алгебра: матрицы, векторы, основные операции

  • Математический анализ: дифференцирование, интегрирование

  • Теория вероятностей: основные понятия и законы

  • Статистика: описательная статистика, вероятностные распределения

  • Оптимизация: функции потерь, градиентный спуск

  • Векторизация данных и операции с массивами в NumPy

  • Введение в Pandas: работа с DataFrame, базовые операции

  • Midterm: Анализ набора данных с использованием NumPy и Pandas, визуализация результатов

  • Понятие машинного обучения, типы обучения

  • Регрессия: линейная и полиномиальная регрессия

  • Классификация: логистическая регрессия, K-ближайших соседей

  • Кластеризация: метод k-средних

  • Оценка моделей: перекрестная проверка, метрики качества

  • Предобработка данных: масштабирование, кодирование категориальных признаков

  • Извлечение признаков: PCA, feature importance

  • Работа с переобучением: валидационные наборы, регуляризация

  • Midterm: Создание и оценка модели логистической регрессии на реальных данных

  • Нейронные сети: основы, архитектуры, функции активации

  • Сверточные нейронные сети: основы, применение в обработке изображений

  • Рекуррентные нейронные сети: основы, использование для анализа временных рядов

  • TensorFlow и Keras: основы, создание и обучение моделей

  • Переобучение в нейронных сетях: методы борьбы

  • Файн-тюнинг и трансферное обучение

  • Анализ и интерпретация результатов работы нейронных сетей

  • Работа с текстами: основы NLP, обработка естественного языка

  • Midterm: Разработка и обучение CNN для классификации изображений

  • Разработка полноценного проекта машинного обучения

  • Оптимизация моделей машинного обучения: выбор модели, настройка гиперпараметров

  • Ансамблевые методы: случайные леса, бустинг

  • Этика и правовые аспекты в машинном обучении

  • Развертывание моделей: создание REST API, использование контейнеров

  • Final: Разработка, оценка и развертывание модели машинного обучения для решения выбранной задачи