● Вебинары с экспертами в прямом эфире проходят 1-2 раза в неделю, начинаются в промежутке с 18:00 до 20:00 МСК● На лекции и практические задания понадобится 10-15 часов в неделю ● Записи вебинаров и митапов, видеолекции, презентации, лонгриды, тесты, тренажёры и другие полезные материалы хранятся в личном кабинете
Получите расширенные знания в профессии и научитесь работать с нейронным сетями, обучать модели и реализовывать NLP. Начнёте повышать свою квалификацию. После окончания этой ступени сможете претендовать на позицию Junior Data Scientist и совмещать учёбу с работой.
Машинное обучение
Научитесь проверять данные на полноту, целостность, валидность, наличие шумов, ошибок и пропусков. Узнаете, как очищать данные с помощью NumPy и pandas, как сокращать размерности данных алгоритмами PCA, LDA, NMF. Научитесь строить деревья решений и модели логистической, линейной и полиномиальной регрессии. Узнаете, как использовать Random Forest в задачах классификации.
-
-- Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия
- Классификация: логистическая регрессия и SVM
- Функции потерь и оптимизация
- Оценка точности модели, переобучение, регуляризация
- Проблема качества данных
- Работа с пропусками и переменными
Рекомендательные системы
В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
- Неперсонализированные рекомендательные системы
- Сontent-based-рекомендации
- Collaborative Filtering
- Гибридные алгоритмы
Временные ряды
Вы изучите элементарные алгоритмы обработки временных рядов, модели ARIMA и GARCH, прогнозирование значений на их основе. Узнаете, что такое марковские случайные процессы и марковские модели для временных рядов.
- Знакомство с временными рядами
- Элементарные методы анализа временных рядов
- Модели ARMA
- Модели авторегрессии условной гетероскедастичности
- Сингулярный спектральный анализ
- Случайные марковские процессы
- Нейронные сети в анализе временных рядов
- Поиск изменений во временном ряде
Нейронные сети
Научитесь строить простые полносвязанные сети уровня LeNet и AlexNet и экспериментировать с их обучением. Получите теоретическую и практическую базу для использования НС в блоках CV и NLP.
- Введение в нейронные сети и библиотеку Keras
- Углубление в нейронные сети и библиотеку Keras
- Введение в свёрточные нейронные сети
- Введение в рекуррентные сети
- Автокодировщики
- Введение в генеративно-состязательные сети
Компьютерное зрение
Вы освоите основные техники машинного зрения — извлечение признаков, поиск по картинкам, сегментирование, детекция объектов.
- Выделение признаков и поиск похожих изображений
- Сегментация и детекция объектов
- Свёрточные нейронные сети
- Обучение свёрточной сети на практике
- Задачи детекции и сегментации
- Рекуррентные нейронные сети в задачах компьютерного зрения (Image Captioning)
- Порождающие модели
Обработка естественного языка
Вы освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск, научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты.
- Введение в автоматическую обработку текста
- Структура слова. Морфология
- Синтаксический анализ
- Дистрибутивная семантика
- Извлечение ключевых слов
- Словари. Подкрепление знаний
- Тематическое моделирование
- Информационный поиск
- Классификация в АОТ
- Языковые модели
- Извлечение информации
Deep Learning
Научитесь работать с многомерными свёртками, овладеете конкурентным преимуществом в задачах с использованием Beam-Search и Teacher Forcing, сможете реализовывать NLP с нуля. Сможете отличать дискриминатор от генератора и обучать генератор выбирать данные из линейной регрессии. Реализуете сеть генерации покемонов и обучите её.
- Регрессия и персептрон
- Многослойная нейронная сеть: регуляризация, градиентный спуск, ускорение обучения
- Свёрточные сети: свёрточные архитектуры, многомерные свертки, сегментация
- Рекуррентные сети: RNN, GRU и LSTM, Encoder-Decoder архитектура
- Внимание: Dense Attention и Beam search
- Компьютерное зрение: SSD, Region Based CNN, Faster R-CNN, Masked R-CNN, UNet, перенос стиля и FCN
- Работа с текстом: языковые модели, Embeddings, Word2Wec, FastText, NER, Transformer, BERT и Elmo
- GAN'ы: дискриминатор, генератор, продвинутые архитектуры
