Никаких записей курсов — только живое общение
Курсы
Наши курсы
Программирование
- SRE Инженер
- Инженер данных
- Front End разработчик
- Python разработчик
- Java разработчик
- DevOps инженер
- iOS разработчик
- Android разработчик
- C# (.NET) разработчик
- Мобильный разработчик на Flutter
- Разработчик игр на Unity
- Разработчик игр на Unreal Engine 5
- Геймдизайн
- WEB разработчик
- Business Intelligence (BI) разработчик
- Data Scientist
- GO разработчик
- 1С разработчик
- Кибербезопасность
- Machine Learning
- React Native разработчик
TeachMeSkills в Ютубе
Здесь мы публикуем годный контент, подробные разборы и практический опыт учителей
Дистанционный курс — 7,5 месяцев
Machine Learning
Научим Machine Learning с нуля за 7,5 месяцев.
Свяжемся в течение рабочего дня
Нажимая на кнопку, я соглашаюсь на обработку персональных данных
Старт групп
ML02-onl — 24 декабря
Дни и время занятий
ВТ, ЧТ, 19:00 — 22:00
Кем ты станешь?
Сегодня компьютеры работают бок о бок с человеком. Каждый раз, когда мы пользуемся банковскими услугами, делаем покупки в Интернете или общаемся в соцсетях, алгоритмы машинного обучения помогают сделать это взаимодействие удобнее, эффективнее и безопаснее. Исследования в области машинного обучения автоматизируют и оптимизируют этот процесс. ML-специалист, который занимается обучением модели, передаёт данные и пытается объяснить, что хочет получить на выходе. У алгоритма нет заданного ответа, к которому нужно прийти, он знает лишь, как построить модель, отвечающую на поставленный вопрос. Цель машинного обучения — научить модель саму находить решение.
Чему ты научишься?
- Выучишь основные алгоритмы машинного обучения и натренируешь свои модели
- Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры
- Узнаешь и будешь использовать лучшие методики для оценки качества моделей и их оптимизации
- Научишься стратегиям end-to-end, транcфера и многозадачного машинного обучения
- Построишь модели для анализа фото-, видео-, аудио и текстового потоков, используя фреймворки PyTorch и TensorFlow
- Получишь практику внедрения алгоритмов и установки выполнения пайплайнов на периодической основе, используя AirFlow
Зарплата специалиста по Machine Learning
Источник данных: HH.ru
699 $ - 1500 $
На рынке не хватает специалистов по Machine Learning
140компаний ищут сейчас специалистов по Machine Learning
Программа курса
Рассчитана на 248 академических часов
Программу всех занятий по Machine Learning в нашей школе программирования разрабатывают и ведут практикующие IT специалисты.
Введение в Machine Learning и Deep Learning
Базовая математика и ее применение в ML
- Линейная алгебра (Основы матричного исчисления), векторы, векторное пространство
- Матрицы
- Основы теории вероятности и математической статистики. Основы мат. анализа
- Распределения, доверительные интервалы
- Корреляция
Классические ML алгоритмы. Часть 1
- Обучение с учителем/без учителя/с подкреплением
- Функция ошибок
- Градиентный спуск
- Линейная регрессия
Классические ML алгоритмы. Часть 2
- Множественная линейная регрессия
- Классификация (логистическая регрессия)
- Переобучение (регуляризация)
- Недообучение
- Другие алгоритмы (Метод опорных векторов)
Введение в нейронные сети. Часть 1
- Понятие нейронных сетей. Нейрон. Многослойный персептрон
- Функции активации
- Learning (Forward, Backpropagation)
- Смещение/разброс (Bias/Variance)
Введение в нейронные сети. Часть 2
- Классификация архитектур нейронных сетей
- Виды слоёв (и классификация нейронов)
- Кривые обучения (Learning curves)
- Метрики оценки
Обучение нейросетей
- Функция потерь
- Обратное распространение ошибки
- Оптимизаторы
- Стохастический градиент
- Функция потерь
Решение проблем с тренировкой нейросетей
- Регуляризация
- Улучшаем глубокие нейросети
- Оптимизация гиперпараметров
Компьютерное зрение
Введение в компьютерное зрение
- История появления
- Основные понятия
- Использование в реальной жизни
Основы OpenCV
- Обзор OpenCV
- Установка, загрузка и сохранение изображений
Возможности OpenCV и его использование различных областях. Часть 1
- Обработка изображений
- Компьютерная графика
Возможности OpenCV и его использование различных областях. Часть 2
- Обнаружение объектов
- Видеоанализ
Преобразования изображений
- Фильтрация
- Морфология
- Детекция границ
Введение в свёрточные нейронные сети (CNN). Основные понятия
- Что такое CNN?
- Архитектура и принцип работы
- Обучение
Классификация изображений. Часть 1
- Исследование данных
- Построения моделей
Классификация изображений. Часть 2
- Валидация результатов
- Мониторинг обучения в RealTime
Введение в детекцию объектов
- Разбор задач и проблематики
- Анализ данных
- Гибридные системы классификации и детекции
Детекция объектов с использованием VGG, ResNet и DenceNet
- Изучение и применение VGG
- Изучение и применение ResNet
- Изучение и применение DenceNet
Обнаружение объектов с использованием R-CNN, Fast R-CNN, Faster R-CNN и YOLO
- Изучение и применение R-CNN
- Изучение и применение Fast R-CNN
- Изучение и применение Faster R-CNN
- Изучение и применение YOLO
Семантическая сегментация: U-Net и DeepLab
- Изучение и применение U-Net
- Изучение и применение DeepLab
Трехмерное компьютерное зрение: 3D CNN и PointNet
- Изучение и применение 3D CNN
- Изучение и применение PointNet
Распознавание действий на видео: C3D и I3D
- Изучение и применение C3D
- Изучение и применение I3D
Использование CV в беспилотниках. Часть 1
- Изучение кейсов применения и проблем CV в беспилотниках
- Архитектуры и аппаратная часть беспилотников
- Оптимизация вычислений под конкретные мощности
Использование CV в беспилотниках. Часть 2
- Изучение кейсов применения и проблем CV в беспилотниках
- Архитектуры и аппаратная часть беспилотников
- Оптимизация вычислений под конкретные мощности
Применение компьютерного зрения в реальных задачах
- Кейсы
- Примеры использования вышеупомянутых архитектур.
Обработка текста
Введение в NLP
- История
- Основные задачи
- Применение
Предобработка текста
- Очистка
- Токенизация
- Стемминг
- Лемматизация
Анализ настроения
- Использование логистической регрессии
- Использование наивного Байеса
Vector Space models
- Нахождение зависимости между словами
- Визуализация в векторном пространстве
Машинный перевод и поиск документов
- K-ближайшие соседи
- Хэш-таблицы и хеш-функции
Autocorrect системы
- Использование систем автозамены разных проектах
- Построение системы на основе вероятности последовательностей символов
Речевые теги скрытые Марковские модели
- Изучение алгоритма Viterbi.
- Использование Марковских моделей в системе тегов речи
Autocomplete системы. Часть 1
- Рассмотрение N-gramm модели
- Оценка языковой модели
Autocomplete системы. Часть 2
- Использование словарных слов
- Сглаживание
- Построение прототипа
Введение в RNN
- Что такое RNN?
- Типы
- Архитектуры RNN
LSTM и GRU: что это и для чего нужны
- Изучение и применение LSTM
- Изучение и применение GRU
Глубокое обучение в NLP: архитектуры и библиотеки
- Введение в глубокое обучение
- Основные концепции и архитектуры DL
- Библиотеки DL в python
Трансформеры и аттеншн-механизмы. Часть 1
- Тензорный анализ
- Рассмотрение трансформеров и его применения
- Изучение техники аттеншен и ее влияния на NLP
Трансформеры и аттеншн-механизмы. Часть 2
- Тензорный анализ
- Рассмотрение трансформеров и его применения
- Изучение техники аттеншен и ее влияния на NLP
BERT, GPT и другие модели на основе трансформеров. Часть 1
- Изучение и применение BERT
- Практика
BERT, GPT и другие модели на основе трансформеров. Часть 2
- Изучение и применение GPT
- Практика
BERT, GPT и другие модели на основе трансформеров. Часть 3
- Рассмотрение других моделей и перспектива создания своих на основе
- Практика
Обработка и анализ звука: основные понятия и инструменты. Часть 1
- Основы цифровой обработки сигналов
- Практическое применение
Обработка и анализ звука: основные понятия и инструменты. Часть 2
- Рассмотрение различных фильтров
- Практическое применение
Обработка и анализ звука: основные понятия и инструменты. Часть 2.1
- Рассмотрение различных фильтров
- Практическое применение
Глубокое обучение для обработки аудио. Часть 1
- Управление данными и маркировка
- Извлечение признаков
Глубокое обучение для обработки аудио. Часть 2
- Сегментация
- Архитектуры для работы с аудио
Глубокое обучение для обработки аудио. Часть 3
- Практическое применение
Развертывание моделей машинного обучения в производственной среде
Интеграция NLP в бизнес-приложения
- Рассмотрение реальных кейсов
- Примеры интеграции
Введение в развертывание ML моделей
- Принципы
- Потребности бизнеса
- Особенности.
Docker в машинном обучении. Часть 1
- Основы работы с контейнерами
- Создание Docker-образов
- Интеграция с ML/DL фреймворками
Docker в машинном обучении. Часть 2
- Основы работы с контейнерами
- Создание Docker-образов
- Интеграция с ML/DL фреймворками
A/B тестирование ML моделей
- Методология
- Практики
- Метрики и интерпретация результатов.
Тестирование ML кода с использованием Pytest
- Написание тестов
- Параметризация
- Фикстуры
Мониторинг и версионирование моделей
- Инструменты и лучшие практики.
Прунинг и дистилляция моделей
- Оптимизация размера и производительности моделей
DVC (Data Version Control)
- Управление данными и версиями моделей в машинном обучении.
MLflow
- Управление жизненным циклом ML моделей
- Отслеживание экспериментов.
Airflow и Dagster
- Автоматизация ML рабочих процессов
- Построение пайплайнов.
System design для ML систем
- Архитектура
- Инфраструктура и проектирование систем.
Проведение пробного технического собеседования
Пробное техническое собеседование
- Подведение итогов курса
- Консультации по дипломному проекту
- Вопросы технического собеседования
Онлайн-занятие «Поиск работы в IT»
Онлайн-занятие «Поиск работы в IT»
- Составление резюме и сервисы для создания резюме;
- Создание и правильное оформление профиля в LinkedIn;
- Составление мотивационного письма;
- Работа с поиском вакансий на различных джоб-бордах;
- Личные рекомендации Карьерного центра по поиску первой работы в IT
Защита дипломного проекта
Защита дипломного проекта
- Защита дипломного проекта
Учебный процесс
Преподаватели курса
Учись у лучших. Все наши преподаватели - практикующие специалисты в международных IT-компаниях
Максим
Ваше резюме после окончания курса:
Профессиональные навыки:
- Теоретическая подготовка в области линейной алгебры, математического анализа, теории вероятностей и элементов математической статистики;
- Понимание как классических ML-моделей, так и концепции глубокого обучения, с помощью Python, TensorFlow и PyTorch;
- Понимание тонкостей постановок задач в Data Science;
- Опыт обучения, оптимизации и развертывания моделей машинного обучения и нейронных сетей;
- Понимание внедрения ML-пайплайнов в production.
Помощь в трудоустройстве
Опытные HR-специалисты отвечают на вопросы, готовят к собеседованию и помогают каждому студенту получить работу мечты.
Раз
Рекомендации по составлению портфолио и резюме
Два
Подготовка к собеседованию в компаниях-партнёрах
Три
Персональные консультации по развитию карьеры
Стоимость обучения
Полная разовая оплата
110 000₽
Возможен вариант оплаты по банковской рассрочке от 6 до 18 месяцев. Более подробную информацию по программам рассрочки и кредитования можно узнать у менеджеров.
Оплата в рассрочку
Запись на обучение
Свяжемся в течение рабочего дня
Нажимая на кнопку, я соглашаюсь на обработку персональных данных