Apprentissage automatique. Avancé - cours gratuit d'Otus, formation 5 mois, Date: 4 décembre 2023.
Miscellanea / / December 08, 2023
Vous maîtriserez des techniques avancées d'apprentissage automatique qui vous permettront de vous sentir en confiance dans des postes de direction intermédiaire/supérieur et de faire face même à des tâches non standard.
Vous élargirez votre gamme d’outils disponibles pour le travail. De plus, même pour des sujets tels que les méthodes bayésiennes et l'apprentissage par renforcement, qui sont généralement enseignés exclusivement sous forme théorique, nous avons sélectionné des cas de travail réels issus de nos pratiques.
Un module distinct est dédié au travail en production: configuration de l'environnement, optimisation du code, construction de pipelines de bout en bout et mise en œuvre de solutions.
Missions de projet polyvalentes
Durant le cours, vous réaliserez plusieurs travaux pratiques pour consolider vos compétences sur les thèmes abordés. Chaque mission est un projet pratique d'analyse de données qui résout une application d'apprentissage automatique spécifique.
A qui est destiné ce cours?
Pour les analystes, programmeurs et data scientists pratiquant l’apprentissage automatique. Le cours vous aidera à développer vos capacités et à progresser dans votre cheminement de carrière.
Après avoir terminé le cours, vous serez capable de :
Configurer l'environnement et écrire le code de production prêt à être mis en œuvre
Travailler avec les approches AutoML et comprendre les limites de leur utilisation
Comprendre et être capable d'appliquer les méthodes bayésiennes et l'apprentissage par renforcement à des problèmes pertinents
Résoudre les problèmes non standard survenant dans les systèmes de recommandation, les séries chronologiques et les graphiques
J'ai commencé l'école avec un fer à souder à la main. Puis il y a eu le ZX Spectrum. Je suis allé à l'université pour me spécialiser en ingénierie. Il y a beaucoup de choses intéressantes en mécanique, mais en 2008 l'intérêt pour l'informatique a pris le dessus: l'informatique...
J'ai commencé l'école avec un fer à souder à la main. Puis il y a eu le ZX Spectrum. Je suis allé à l'université pour me spécialiser en ingénierie. Il y a beaucoup de choses intéressantes en mécanique, mais en 2008 l'intérêt pour l'informatique a pris le dessus: réseaux informatiques -> Delphi -> PHP -> Python. Il y a eu des expériences avec d'autres langues, mais je veux écrire dans cette langue. Participation à des projets d'automatisation des processus métiers à l'aide de réseaux de neurones (service de commande de taxi Maxim) et développement de systèmes d'information en médecine. Travail avec les systèmes SIG et le traitement d'images à l'aide de Python. En enseignement, la position est la suivante: « Si quelqu’un ne peut pas expliquer quelque chose de complexe avec des mots simples, cela signifie qu’il n’est pas encore très bon dans ce domaine. » comprend. »Éducation: Université de Kurgan, Département de sécurité de l'information et des systèmes automatisés, Ph.D. Diplômé en 2002 Kurgan State University avec un diplôme en « Véhicules polyvalents à chenilles et à roues ». En 2005, il a soutenu sa thèse sur transmissions à variation continue. Depuis, il est officiellement employé à l'université (KSU). Professeur
Travaille comme analyste de données au sein du hedge fund Meson Capital. Engagé dans la construction de divers modèles qui prédisent le comportement en bourse. Avant cela, j'ai passé plus de 9 ans à résoudre des problèmes commerciaux basés sur la machine...
Travaille comme analyste de données au sein du hedge fund Meson Capital. Engagé dans la construction de divers modèles qui prédisent le comportement en bourse. Avant cela, il a passé plus de 9 ans à résoudre des problèmes commerciaux basés sur l'apprentissage automatique dans des entreprises telles que Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, création de modèles de vision par ordinateur, de traitement du langage naturel et de temps Lignes. Il est conférencier invité au MIPT, où il enseigne son propre cours « Practical ML ». Valentin a obtenu sa maîtrise au MIPT. Ses intérêts incluent la mise en œuvre et la création d’infrastructures pour des solutions basées sur les données. Professeur
Développeur expérimenté, scientifique et expert en Machine/Deep Learning avec une expérience dans les systèmes de recommandation. Il a plus de 30 publications scientifiques en russe et en langues étrangères, a soutenu sa thèse de doctorat sur le thème de l'analyse et...
Développeur expérimenté, scientifique et expert en Machine/Deep Learning avec une expérience dans les systèmes de recommandation. Il a plus de 30 publications scientifiques en russe et en langues étrangères et a soutenu sa thèse de doctorat sur l'analyse et la prévision des séries chronologiques. Diplômé de la Faculté d'informatique de l'Institut d'ingénierie énergétique de l'Université nationale de recherche de Moscou, où en 2008. a obtenu un baccalauréat, une maîtrise en 2010 et un candidat en sciences techniques en 2014. Avant même de commencer à travailler sur sa thèse, je me suis intéressé à l'analyse des données et, lors de la mise en œuvre de mon premier projet important, je suis passé de simple programmeur à chef du département de développement. Pendant environ 10 ans, il a enseigné des disciplines connexes à l'Institut d'ingénierie énergétique de l'Université nationale de recherche de Moscou, en tant que professeur agrégé du département. Dirige des équipes de science des données développant des projets dans les domaines de la PNL, de RecSys, des séries temporelles et de la vision par ordinateur.
Apprentissage automatique avancé. ML automatique
-Thème 1.Production Code du projet à l'aide de l'exemple d'un problème de classification/régression, Environnements virtuels, gestion des dépendances, pypi/gemfury
-Thème 2. Leçon pratique - Optimisation du code, parallélisation, multitraitement, accélération pandas, Modin pour Pandas
-Sujet 3. Prétraitement avancé des données. Encodages catégoriels
-Sujet 4.Featuretools - allez-vous proposer des fonctionnalités pour moi ?
-Sujet 5.H2O et TPOT - allez-vous construire des modèles pour moi ?
Production
-Thème 6. Leçon pratique - Construction de pipelines de bout en bout et sérialisation de modèles
-Sujet 7.Architecture REST: API Flask
-Sujet 8.Docker: Structure, application, déploiement
-Sujet 9.Kubernetes, orchestration de conteneurs
-Sujet 10. Leçon pratique sur le travail en production: déployer Docker sur AWS
Des séries chronologiques
-Sujet 11. Extraction de fonctionnalités. Transformation de Fourier et ondelettes, génération automatique de fonctionnalités - tsfresh
-Thème 12.Approches non supervisées: Clustering de séries temporelles
-Thème 13.Approches non supervisées: Segmentation de séries temporelles
Systèmes de recommandation. Tâche de classement
-Thème 14. Systèmes de recommandation 1. Commentaires explicites
-Thème 15. Systèmes de recommandation 2. Commentaires implicites
-Thème 16. Tâche de classement - Apprendre à classer
-Thème 17. Leçon pratique sur les systèmes de recommandation. Surprendre!
-Sujet 18.Q&A
Graphiques
-Thème 19. Introduction aux graphiques: concepts de base. RéseauX, Stellaire
-Thème 20. Analyse et interprétation des graphiques. Détection de communauté
-Sujet 21. Prédiction des liens et classification des nœuds
-Thème 22. Leçon pratique: Les haineux sur Twitter
Apprentissage bayésien, PyMC
-Thème 23.Introduction à la modélisation probabiliste, estimations a posteriori, échantillonnage
-Thème 24.Markov Chain Monte-Carlo (MCMC), Métropole–Hastings
-Sujet 25. Tests AB bayésiens
-Thème 26.Modèle linéaire généralisé (GLM) - Régressions bayésiennes, dérivation d'estimations a posteriori des coefficients
-Thème 27. Leçon pratique sur GLM
-Thème 28. Réseau de confiance bayésien: exercice pratique
-Thème 29. Leçon pratique sur la régression logit
Apprentissage par renforcement
-Sujet 30.Introduction à l'apprentissage par renforcement
-Sujet 31. Bandits multi-armés pour l'optimisation des tests AB, de la théorie - directement au combat
-Thème 32. Leçon pratique: Bandits multi-armés dans le commerce électronique: optimisation de la recherche
-Sujet 33. Processus de décision de Markov, fonction de valeur, équation de Bellman
-Sujet 34. Itération de valeur, itération de politique
-Thème 35. Leçon pratique: cas médical Markov Chain Monte Carlo
-Sujet 36. Différence temporelle (TD) et Q-learning
-Sujet 37.SARSA et leçon pratique: Cas financier TD et Q-learning
-Sujet 38.Q&A
Travail de projet
-Thème 39. Consultation sur le projet, choix du sujet
-Sujet 40.Bonus: Trouver des emplois en science des données
-Thème 41.Protection des travaux de conception
Un cours pratique d'introduction à l'apprentissage automatique. Le cycle complet de construction d'une solution est considéré: depuis la sélection des données initiales (« fichier .xlsx ») jusqu'à construire un modèle et expliquer au client final les caractéristiques des données et les spécificités des données reçues résultat. Les sections théoriques - classification, régression, prédictions, ensembles - sont données sous forme de synthèse, dans la mesure nécessaire à la construction et à la compréhension correctes des exemples analysés.
4
41 500 ₽