Python для машинного обучения

все курсы

Программирование

4.2

Тип обучения

Курс

Формат обучения

С проверкой домашнего задания

Трудоустройство

Отсутствует

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

Понимать основы технологии

Понятие нейронной сети

Метод наименьших квадратов

Использование библиотек

Обучение нейронных сетей

Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Перлин Владислав Абрамович

курсов

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.

Михеев Илья Николаевич

курса

Преподаватель курсов по нейронным сетям, а также по технологиям машинного обучения. Разносторонний специалист, который совмещает интерес к науке и уже достаточно обширный опыт практика. Своими знаниями он готов делиться со слушателями.
Сегодня он – специалист в области Data Science и аналитик данных. Владеет стеком современных технологий Python, Clickhouse, Spark (PySpark), scikit-learn, Pandas, NLTK, PyTorch + HuggingFace и DeepPavlov. Занимается нейронными сетями и технологиями машинного обучения.
Илья Николаевич – выпускник Московского инженерно-физического института, занимался медицинской физикой. Изучал когнитивные науки и психофизиологию в НИУ ВШЭ. Его научные исследования посвящены задачам классификации и предсказанию временных рядов, имеет публикации, в том числе на английском языке. Также вел работу в области медицины и психофизиологии, занимался лучевыми методами исследований.

Елисеев Илья Сергеевич

курса

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.

Образовательная организация

Специалист

4.1

654 отзыва

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.