Образовал
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
С проверкой домашнего задания
Трудоустройство
Трудоустройство
Отсутствует
Сертификат
Сертификат
Да

Стоимость курса

42 990 ₽
есть рассрочка
Курс посвящен применению языка Python для технологий машинного обучения. Изучаются основные библиотеки, используемые в машинном обучении и методики их использования.
Курс читается на основе библиотек машинного обучения Scikit-Learn и TensorFlow. В процессе обучения активно используются средства разработки Jupyter Notebook, Jupyter-Lab. Также используются облачные вычислительные ресурсs Google Colab.
Курс рекомендован программистам Python, специалистам в области Data Science.

Вы научитесь:
применять технологии машинного обучения;
использовать модели классификации, регрессии, кластеризации;
использовать методы предобработки данных и ковееры машинного обучения;
отбирать модели машинного обучения по качеству их работы;
углубить свои знания по Python, освоить современные средства разработки моделей машинного обучения.

Что вы получите после обучения

Приобретаемые навыки
1
Понимать основы технологии
2
Понятие нейронной сети
3
Метод наименьших квадратов
4
Использование библиотек
5
Обучение нейронных сетей
Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Преподаватель курсов Python для машинного обучения. Владимир Геннадьевич — опытный практик, кандидат физико-математических наук и действующий исследователь. 

 В своей работе он использует в методы машинного обучения и автоматизации сбора данных с использованием языков программирования Python, R, C++, Verilog.
Владимир Геннадьевич состоит в сообществе исследователей Research Gate и постоянно отслеживает, как программирование применяется в науке и современных разработках. Со слушателями он делится ноу-хау и актуальными приёмами, которые помогут сделать их проекты качественнее, соответствующими мировому уровню.
Владимир Геннадьевич опубликовал 56 статей в таких изданиях как Physical Review B, Physica E, «Журнал экспериментальной и теоретической физики», «Физика и техника полупроводников». Владимир Геннадьевич не только участвует в развитии науки и делится с коллегами своими наработками, но и успешно использует их на практике:
Владимир Геннадьевич, как преподаватель-ученый, ставит освоение и применение новых технологий на первое место. В обучении, в том числе машинном, для него главное — проникнуть в суть явлений, понять все процессы, а не заучивать правила, код или синтаксис технических средств. Его кредо — практика и глубокое погружение в работу!

Образовательная организация

  • Ведущий компьютерный учебный центр России с высочайшим уровнем качества обучения, сервиса и организации учебного процесса
  • Лучший учебный центр авторизованный Microsoft в России, Центральной и Восточной Европе в 2011-2014 гг
  • Центр «Специалист» — первый в России авторизованный учебный центр по обучению Adobe — Adobe Authorised Training Centre
  • Крупнейший авторизованный учебный центр ведущих IT-компаний мира
  • С 2012 г. Центр «Специалист» входит в «Круг совершенства EC-Council»

Программа курса

Модуль 1. Постановка задачи машинного обучения (2 ак. ч.)
Три типа машинного обучения.
Схема построения систем машинного обучения.
Необходимый инструментарий.
Практика по созданию рабочего окружения и использования Anaconda и Jupyter Notebook.
Модуль 2. Обучение с учителем. Задача классификации (6 ак. ч.)
Понятие нейронной сети.
Персептрон. Определение, реализация и обучение.
Адаптивный линейный нейрон. Определение, реализация и обучение.
Метод градиентного спуска.
Стохастический градиентный спуск в адаптивном линейном нейроне.
Динамическое обучение на больших данных.
Практика с модельными наборами и наборами данных Scikit-Learn.
Практика в Jupyter Notebook.
Модуль 3. Библиотека scikit-learn, ее основные возможности (6 ак. ч.)
Обучение персептрона.
Метод логистической регрессии.
Метод опорных векторов.
Метод k ближайших соседей.
Деревья принятия решений.
Ансамбль произвольных деревьев.
Практика в Jupyter Notebook.
Модуль 4. Обучение с учителем. Задача регрессии (6 ак. ч.)
Обучение с учителем. Задача регрессии.
Линейная регрессия.
Метод наименьших квадратов.
Метод градиентного спуска.
Работа с выбросами. Алгоритм RANSAC().
Бутстрап методика для коэффициентов регрессии.
Оценка качества регрессионной модели.
Основы нелинейной регрессии.
Практика в Jupyter Notebook.
Модуль 5. Предобработка данных, отбор признаков и моделей (6 ак. ч.)
Обработка пропущенных данных.
Обработка категорий.
Модели предобработки и обучения.
Отбор значимых признаков.
Исследование значимых признаков случайными лесами.
Конвееры машинного обучения.
Кросс-валидация и отбор моделей.
Практика в Jupyter Notebook.
Модуль 6. Обучение без учителя. Кластерный анализ (6 ак. ч.)
Метод k средних.
Анализа основных компонент.
Анализа линейного дискриминанта.
Иерархическая кластеризация.
Кластеризация по плотности.
Практика в Jupyter Notebook.
Модуль 7. Основы глубокого обучения (8 ак. ч.)
Графы и распределенные вычисления.
Установка Tensorflow.
Тензоры.
Наборы данных.
Прикладной интерфейс (API) Keras.
Линейная регрессия со стохастическим градиентным спуском.
Классификация двухслойной нейронной сетью данных Iris.
Функции активации слоев нейронов.
Классификация данных MNIST.
Практика в Google Colab.

Рейтинг курса

4.2
рейтинг
0
0
0
0
0
обновлено 13.11.2022 01:17

Python для машинного обучения

Оставить отзыв
Поделиться курсом с друзьями