Рус Укр

Курс Machine Learning в Харькове

Advanced level
4.6

alarm-clock занятий

spiral-calendar занятий в неделю

rocket старт

За неделю записалось

Осталось

Стань Machine Learning Engineer!

На курсе будут рассмотрены различные задачи машинного обучения с точки зрения работы с данными и особенностей различных моделей машинного обучения.

На курсе используется язык Python — самый распространенный на сегодняшний день язык для работы с машинным обучением и анализом данных. На курсе студенты научатся работать с традиционными алгоритмами и методами машинного обучения, нейронными сетями, а также обработкой естественных языков и компьютерным зрением.

Цели курса

  • Научиться подготавливать данные и конструировать признаки
  • Научиться определять типы необходимой модели машинного обучения
  • Научиться выбирать алгоритм оптимизации, регуляризация модели
  • Научиться выбирать метрики для контроля качества модели
  • Визуализировать полученные результаты
woman-technologist

Этот курс также доступен в формате дистанционного обучения.

smiling-face-with-sunglasses

advanced
level

Курс рассчитан на IT-специалистов и инженеров любой специальности, знающих Python, линейную алгебру, математический анализ и статистику на уровне первого курса технического вуза.

Изучаемые технологии

  • Python

    Python

  • NumPy

    NumPy

  • Matplotlib

    Matplotlib

  • Scikit-learn

    Scikit-learn

  • Keras

    Keras

Дополнительные курсы

Программа курса
Machine Learning

alarm-clock 16 занятий занятий
Печать
  • Науки, на которых базируется машинное обучение
    • Линейная алгебра
    • Статистика
    • Оптимизация
    • Типы задач машинного обучения — классификация и прогноз
  • Основные этапы проекта машинного обучения
    • Подготовка данных
    • Выбор модели, настройка гиперпараметров модели
    • Граф вычислений
    • Метрики для контроля качества модели
  • Перспептрон — простейшая нейронная сеть (ч.1)
    • Матричные операции при прямом распространении сигнала
    • Матричные операции при обратном распространении сигнала
    • Градиент целевой функции
  • Перспептрон — простейшая нейронная сеть (ч.2)
    • Механизм обновления весов — обучение!
    • Сравнение реализации персептрона с помощью NumPy и Keras — скорость и удобство
    • Методы регуляризации и batch-обучение
  • Рекуррентные нейронные сети
    • Последовательные структуры данных вокруг нас
    • Проблема взрывных и исчезающих градиентов
    • LSTM- и GRU-вентили в архитектуре рекуррентных нейронных сетей
  • Сверточные нейронные сети
    • Операция свертки для простейших функций
    • Фильтры для получения признаков изображения с помощью сверток
    • Анализ ключевых элементов архитектуры сверточных нейронных сетей
    • Наиболее распространенные архитектуры сверточных нейронных сетей
  • Автокодировщики
    • Сжатие информации при прохождении сигнала через автокодировщик
    • Понижение размерности, выделение признаков
    • Сжатие данных и снижение уровня шума
  • Метод анализа главных компонентов
    • Набор данных как многомерное пространство
    • Проекции и расстояния в многомерном пространстве
    • Анализ дисперсии в данных и ее влияние на распределение данных
  • Методы кластеризации
    • Простановка меток или проведение границ
    • Что такое сепарабельность данных
    • Кластеризация в пространстве пониженной размерности: RFM-анализ потребителей
  • Ансамблевые методы
    • Один сильный классификатор или много слабых
    • Механизм голосования
    • Нетривиальные подходы
  • Деревья и леса
    • Мощная альтернатива нейронным сетям
    • Решение нелинейных задач с помощью линейных инструментов
    • Бустинг
  • Рекомендательные системы
    • Векторы в многомерном пространстве
    • Способов сказать «рядом» может быть несколько
    • Различные способы кодирования информации о покупках

Бонусы курса

  • Специально снятые дополнительные видеоматериалы
  • Тренинг по прохождению собеседования и составлению резюме

Добавьте навыки в резюме

  • Базовые навыки в алгебре, математическом анализе, теории вероятности и статистике

  • Практические навыки использования Python

  • Использование классических алгоритмов машинного обучения

  • Построение полно-связных нейронных сетей

  • Построение сверточных нейронных сетей для задач компьютерного зрения

  • Использование алгоритмов обучения без учителя

  • Обработка естестественных языков

  • Практические навыки использования фреймворка PyTorch

Преимущества обучения в Компьютерной школе Hillel

  • man-raising-hand
    Группы по 14 человек Преподаватель уделяет время каждому студенту.
  • nerd-face
    Преподаватели практики У нас преподают только практикующие специалисты из топовых IT-компаний.
  • briefcase
    Система личных кабинетов Эффективное и удобное обучение.
  • speech-balloon
    Оперативная служба поддержки студентов Срочный вопрос — своевременное решение.
  • videocassette
    Доступ к видеозаписям занятий Записи уроков остаются у студентов после окончания курса.
  • hammer
    Практические занятия Большая часть занятий ориентирована на практику.
  • rocket
    Трудоустройство

    Что мы делаем для того, чтобы вы достигли успеха?

  • clipboard

    Проводим мастер-классы по подготовке резюме и поиску работы

  • books

    Регулярно обновляем программы курсов под требования рынка

  • smiling-face-with-sunglasses

    Приглашаем преподавать только лучших практикующих специалистов

  • globe-with-meridians

    Развиваем нашу сеть партнеров среди топовых IT-компаний

  • direct-hit

    Наши преподаватели часто сами забирают к себе наших лучших Студентов ;)

Наши преподаватели и выпускники работают в топовых IT-компаниях мира

Грета Гержановская
Грета Гержановская
Сам по себе курс достаточно интересный и ёмкий. Были продемонстрированы разные модели и методы машинного обучения. Преподаватель дружелюбный, готов отвечать на вопросы в любое время, даже ночью. Для начала, наверное, очень неплохой вариант. Из минусов. Было много переносов занятий (7 из 19, 4 по личной причине преподавателя). В конце не было дипломного проекта, хотя в программе писалось, что будет. Хотелось получить на последок какую-то задачу, где можно было бы применять те знания, которые были получены. При записи на курс не требовалось знания Python, но лично у меня были с этим сложности и мне приходилось очень много времени тратить в гугле, чтобы выполнить домашние задания.
Виктория Колесник
Виктория Колесник
Спасибо за курс по machine learning. Несмотря на то, что тема очень большая и сложная, преподавателю удалось просто и понятно объяснить основные идеи и попробовать применить их при выполнении домашних заданий. Кроме того, преподаватель всегда был на связи, помогал разобраться со сложными вопросами и поддерживал интерес к занятиям.
Влад Долгополов
Влад Долгополов
Навыки и знания, полученные на курсе очень полезны и достаточны как для нахождения первой работы, так и для обычного расширения кругозора. За это большое спасибо Андрею Латышу за интересно подготовленную программу и удачное соотношение практики/теории
Грета Гержановская
Грета Гержановская
Сам по себе курс достаточно интересный и ёмкий. Были продемонстрированы разные модели и методы машинного обучения. Преподаватель дружелюбный, готов отвечать на вопросы в любое время, даже ночью. Для начала, наверное, очень неплохой вариант. Из минусов. Было много переносов занятий (7 из 19, 4 по личной причине преподавателя). В конце не было дипломного проекта, хотя в программе писалось, что будет. Хотелось получить на последок какую-то задачу, где можно было бы применять те знания, которые были получены. При записи на курс не требовалось знания Python, но лично у меня были с этим сложности и мне приходилось очень много времени тратить в гугле, чтобы выполнить домашние задания.
Курс хорош для начинающих, хорошо обьясняют все основы, включая всю математику, которая происходит под капотом. Покрываются почти все темы современной отрасли машинного обучения. Преподаватель очень хороший, дружелюбно относится к студентам, помогает с вопросами о собственных проектах

Всё было отлично. Андрей — отличный преподаватель. Очень удачный подбор материала. У меня есть твёрдое ощущение, что я разобрался во всём, что он нам рассказывал. Большое спасибо школе в целом и Андрею персонально.

Павел Корчагин
Павел Корчагин
Спасибо большое преподавателю за отличный курс. Дмитрий провел нас от азов до самых последних разработок в данной области, оказывал всяческую поддержку и консультации. Данный курс позволил восполнить все пробелы. Отдельное спасибо школе, хорошо поставлен процесс обучения.
Вячеслав Решетило
Вячеслав Решетило
Всем спасибо, все было супер!) Отдельное спасибо Дмитрию Дегтярёву, Вы отлично объясняете и проводите аналогии, что очень важно и курс отлично зашел. Всем спасибо)
Дмитрий Кардаш
Дмитрий Кардаш

Большое спасибо, Дмитрию Дегтярёву за прекрасный курс. У меня до начала курса, был некоторый опыт в Машинном обучение и все было смутно и грустно, но после окончания: мало того что все разложил по полочкам, так еще и понял вещи, за которые страшно было браться.

Первые несколько уроков было немного скучно и медленно, но с каждым новым занятием темпы познания нового увеличивались и это здорово.

Советую всем новичкам) и обязательно делайте домашку, она прям must have!!!!

Мне очень понравился курс. Преподаватель постарался выложить нам материал максимально доступно. Так же помог разобраться с кодом. Всегда отвечал на интересующие нас вопросы, а так же делился опытом. В качестве бонусов — английский язык, что несомненно есть большой плюс. Очень понравилось отношение к студентам как со стороны администраторов, так и директора. Рекомендую всем!

Татьяна
Татьяна
Курс интересный, преподаватель помогал с каждым вопросом. Жаль, что было много нейронок и мало деревьев с бустингом. Но рада, что прошла курс и получила новые знания)
Oleg G
Oleg G

Огромное спасибо Роману Захарову за практический курс Machine Learning, на котором я понял и опробовал тему в реальных условиях, сделав предсказания продуктов для Magento платформы. Курс был доступен и понятен.

Преподаватель поддерживал на каждом этапе обучения. Надеюсь, это не последний курс в Днепре, и другим счастливчикам удастся его посетить. Спасибо Ираклий (директор школы), за такого реального практика!

Часто задаваемые вопросы

  • Что нужно знать для обучения на курсе Machine Learning?

    Математический анализ:

    • Производные
    • Правило дифференцирования сложной функции
    • Градиенты

    Линейная алгебра:

    • Векторы
    • Скалярное произведение и векторное произведение
    • Функции и линейные преобразования
    • Умножение матриц
    • Обратные функции
    • Транспонирование матрицы

    Планирование эксперимента:

    • Проверка гипотез
    • Тесты на статистическую значимость
    • Случайность
    • Вероятность
  • Выдается ли сертификат об окончании курса Machine Learning международного уровня?

    Наш сертификат о прохождении курсов внутреннего образца. В первую очередь мы вам предоставляем знания, отвечающие требованиям существующих вакансий на рынке труда. В IT-сфере при приеме на работу на должности начального уровня абсолютно не важно, какие у вас есть дипломы и какую сертификацию вы прошли. В первую очередь работодатель на собеседовании будет рассматривать то, что вы умеете и в чём есть опыт, а не какой диплом вы сможете принести с собой. Это касается как Украины, так и компаний, находящихся за границей.

    К тому же многие наши курсы вам могут дать знания, которые вам понадобятся для прохождения сертификации удаленным образом через интернет. Данную сертификацию можно пройти только удаленно и самостоятельно.

  • Будут ли задавать домашние задания на курсе Machine Learning? Проверяется ли выполненное задание?

    Да! Ведь это обязательная и очень важная часть процесса вашего обучения, так как каждый Студент должен закрепить весь полученный на занятии материал дома, выполняя домашние задания. Каждое заданное ДЗ будет проверяться преподавателем, и по нему вы будете получать фидбэк. Также некоторые задания разбираются на следующем занятии. Без выполнения домашний заданий никто не сможет добиться желаемого результата.

  • Как получить максимальный балл за домашнее задание на курсе Machine Learning?

    Выполнение домашних работ, одна из самых важных составляющих обучения. Для того, чтобы получить максимальный балл за домашнее задание, нужно:

    • Выполнить задание в указанные сроки
    • Выполнить все условия задания
    • Выполнить задание без ошибок
    • Пересдача домашнего задания не более одного раза
  • Какой нужно иметь компьютер, чтобы обучаться на курсе Machine Learning?

    Требования к компьютеру для обучения на курсе Machine Learning.

    Операционная система:

    • Windows 10 64-бит
    • macOS 10.13 или выше
    • Linux: Ubuntu 16.04 - 20.04

    Процессор* :

    • Минимум intel core i5 4-го поколения
    • Рекомендуется i5 8-го
      *Допустимы аналоги от AMD

    Оперативная память:

    • Минимум 8 Гб
    • Рекомендуется 16 Гб

    Память:

    • Минимально 500 Гб HDD и более
    • Рекомендуется 200 Гб SSD и более

Заявка на консультацию

Оставьте ваши контактные данные, и мы вам обязательно перезвоним!

Обязательно укажите ваше имя кириллицей

Обязательно укажите email, по которому мы сможем с вами связаться

Обязательно укажите телефон в международном формате

Школа работает с 10:00 до 21:00 по будням и с 10:00 до 19:00 по выходным дням (киевское время, GMT+2).

Отправлено

Приобрести подарочный сертификат

Приобрести подарочный сертификат

Gift certificate background image Gift certificate background image