Подпишитесь на телеграмм-канал про ИИ в образовании: Егошин | Кеды профессора
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
С проверкой домашнего задания
Трудоустройство
Трудоустройство
Отсутствует
Сертификат
Сертификат
Да

Стоимость курса

49 990 ₽
есть рассрочка
Обучение проходит на Python 3.12
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

Замечательный преподаватель курсов по программированию и СУБД с 25-летним стажем работы, опытнейший программист С/C++, Python, Delphi, Ruby и др., сертифицированный тренер PostgreSQL.В 1990 году Владислав Абрамович создал в московском колледже...
Замечательный преподаватель курсов по программированию и СУБД с 25-летним стажем работы, опытнейший программист С/C++, Python, Delphi, Ruby и др., сертифицированный тренер PostgreSQL.
В 1990 году Владислав Абрамович создал в московском колледже один из первых компьютерных классов на базе локальной сети и организовал в нём обучение. Преподавал программирование в Московском институте Ландера (филиал The Touro College, США) и других учебных заведениях Москвы. В настоящее время является преподавателем МГГУ имени М.А. Шолохова и центра «Специалист». Автор нескольких курсов и практикумов по языкам программирования и базам данных.
Владислав Абрамович успешно сочетает преподавание с практической работой. Разрабатывает программное обеспечение различного назначения с 1989 года, используя языки С/C++, Python, Delphi, ведет разработку и администрирование баз данных MS SQL и PostgreSQL, занимается математическим моделированием экономических процессов и созданием программного обеспечения для учебных заведений, а также консультирует различные проекты в области информационных технологий.
Владислав Абрамович внимательно подходит к каждому слушателю, щедро делится примерами из богатейшей собственной практики. Слушатели постоянно отмечают его доброжелательность, высоко ценят стиль проведения занятий и неизменно благодарны ему за полученные знания.
Преподаватель-практик с 25-летним опытом работы в области информационных технологий. Эксперт в Full-Stack разработке веб-систем с применением (MySQL, PHP/Python, nginx, HTML5), анализе и визуализации данных средствами Python (Pandas, SKLearn, Keras), разработке...
Преподаватель-практик с 25-летним опытом работы в области информационных технологий. Эксперт в Full-Stack разработке веб-систем с применением (MySQL, PHP/Python, nginx, HTML5), анализе и визуализации данных средствами Python (Pandas, SKLearn, Keras), разработке интерфейсов обмена данными между системами с использованием технологий REST, SOAP, EDIFACT, администрирования веб-серверов на Debian GNU Linux (php/nginx/mariadb), создании технической и пользовательской документации (на русском и английском языках).
Прошел полный путь от линейного разработчика до ИТ-директора собственной компании. За 25 лет создал около 20 корпоративных информационных систем/баз данных, более 50 прототипов, 30 веб-сайтов разного объема и наполнения. Работал над крупными проектами для таких компаний, как Maersk, Toyota, Nissan, «Россия-он-Лайн», «Гласнет». На протяжении 5 лет входит в ТОП-10 разработчиков по РФ на phpClasses.org.
Преподаватель курсов Python, курсов по нейронным сетям, основам статистики и анализу данных, машинному обучению, Microsoft Excel и IBM SPSS Statistics. Также ведет курсы по управлению большими данными и основам работы...
Преподаватель курсов Python, курсов по нейронным сетям, основам статистики и анализу данных, машинному обучению, Microsoft Excel и IBM SPSS Statistics. Также ведет курсы по управлению большими данными и основам работы с Azure AI.
Выпускник МГУ им. М.В. Ломоносова (факультет вычислительной математики и кибернетики), Владимир Игоревич имеет ученую степень доктора экономических наук и звание профессора. Работает по специальности около 30 лет, из них более 25 лет посвятил преподаванию. В том числе заведует кафедрой «Прикладной искусственный интеллект» Московского технического университета связи и информатики, а также преподает в Финансовом университете при Правительстве РФ на кафедре искусственного интеллекта.
Член рабочей группы «Наука, инновации и цифровая экономика» Экспертного совета при Правительстве РФ, член Российского союза IT-директоров. Награжден почетной грамотой Министерства высшего образования и науки РФ, имеет благодарность itSMF, четыре премии «Проект года» официального сообщества IT-директоров России Global CIO и ряд других профессиональных наград.
Неоднократно проходил повышение квалификации: в корпоративном университете Сбербанка (программа дополнительного образования «Летняя цифровая школа», трек «Наука о данных»), Университете «Иннополис» (программа повышения квалификации «Прикладной искусственный интеллект»), Московской школе управления СКОЛКОВО (программа дополнительного образования «Новые лидеры высшего образования»), Союзе ИТ-директоров России (программа переподготовки руководителей ИТ-служб «Высшие курсы ИТ-директоров»), IEDC – Bled School of Management (Словения, программа профессиональной переподготовки Finance). Прошел две стажировки в Microsoft (Редмонд), две стажировки в Microsoft IoT Lab (Мюнхен) и в Microsoft CIO Academy. Также проходил множество краткосрочных программ повышения квалификации.
Имеет сертификаты
Владеет профессиональными стандартами «Специалист по большим данным», «Специалист по моделированию, сбору и анализу данных цифрового следа», «Менеджер по информационным технологиям», ITIL/ITSM, COBIT, PMBoK, DMBoK, KDD, CRISP-DM, Data Driven Scrum, Waterfall-Agile.
Завершил в качестве руководителя несколько сотен проектов разработки и внедрения систем искусственного интеллекта в крупных и средних организациях. Реализовал проекты внедрения ИИ в Сбере, РЖД, Газпромбанке, ВТБ, РЕСО-Гарантия, Альфа-Капитал и т.д. на общую сумму в несколько сотен миллионов рублей. Именно поэтому рассказывает слушателям о технологиях машинного обучения и обработки данных на основе сочетания теории с практическим опытом.
Подготовил несколько тысяч специалистов по искусственному интеллекту, в том числе одного доктора наук, трех кандидатов наук, более 200 бакалавров и магистров в качестве руководителя.
Имеет ряд патентов и публикации в научных изданиях. Также является соавтором нескольких учебных пособий.

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

Может быть интересно

обновлено 12.01.2025 02:22
Python для машинного обучения

Python для машинного обучения

Оставить отзыв
Поделиться курсом с друзьями