Введение в Data Science и Machine Learning: от основ до внедрения в бизнес

О курсе

Программа предназначена для управленцев среднего звена и выше. Рассматриваются основы работы с данными, а также роли в команде, занимающийся такими проектами. Дается базовое представление об основных этапах работы, построении и верификации моделей, а также сценариям использования результатов. Отдельное внимание уделено современному инструментарию и лабораторным работам.

Программа курса

Введение в машинное обучение (Machine Learning, ML)

Основная терминология, область применения и актуальность;

Типовые ML задачи;

Обучение с учителем: классы алгоритмов и разбор конкретных алгоритмов;

Обучение без учителя: классы алгоритмов и разбор конкретных алгоритмов;

Обучение с подкреплением: классы алгоритмов и разбор конкретных алгоритмов;

Повышение и понижение размерности

Демонстрация: создание модели (предсказание цены)

Data Science - процесс:

Поиск и источники данных;

Препроцессинг данных;

Дизайн признаков (feature engineering);

Выбор подходящего ML-алгоритма;

Тренировка модели.

Оценка результата:

Базовые метрики;

Агрегирующие метрики.

Обогащение данных:

Открытые источники;

Внутренние ресурсы.

Data science инструменты: основные языки программирования, ML-фреймворки и облачные сервисы

Практика: создание ML-модели с использованием облачного сервиса.

Введение в глубокое обучение (Deep Learning, DL)

Основная терминология, область применения и актуальность;

Основы нейронных сетей. Персептрон;

Современные нейросетевые архитектуры;

Сверточные нейронные сети;

Рекуррентные нейронные сети;

Автоэнкодеры;

Data science инструменты: DL-фреймворки;

Практика/демонстрация:

Основы python;

Самостоятельная лабораторная работа (распознавание изображений с помощью нейронных сетей);

Обучение при распознавании изображений с помощью нейронных сетей.

Управление Data Science-процессом

Постановка задач

Команда

Методологии (CRISP)

Интеграция в существующие процессы компании

Как вы будете учиться

Занятия

Занятия проводятся как очно в аудитории с непосредственным взаимодействием между преподавателем и слушателями. Для тех, кто не может присутствовать физически, предусмотрено участие через платформу MTS.link.

Процесс обучения

Занятия включают лекции, семинары и групповые проекты. Материалы подаются в виде презентаций, которые могут содержать графику, видео. Полученные знания закрепляются тестированиями и практическими заданиями, а затем вы получаете развернутую обратную связь от эксперта курса.

Сопровождение

Вы можете задавать вопросы преподавателю в режиме реального времени. Так же у каждой группы есть кураторы, которые всегда на связи и помогают решить организационные вопросы.

Академия

Курсы

Услуги

Библиотека

Контакты

О курсе

Программа курса

Введение в машинное обучение (Machine Learning, ML)

Основная терминология, область применения и актуальность;

Типовые ML задачи;

Обучение с учителем: классы алгоритмов и разбор конкретных алгоритмов;

Обучение без учителя: классы алгоритмов и разбор конкретных алгоритмов;

Обучение с подкреплением: классы алгоритмов и разбор конкретных алгоритмов;

Повышение и понижение размерности

Демонстрация: создание модели (предсказание цены)

Data Science - процесс:

Оценка результата:

Агрегирующие метрики.

Обогащение данных:

Внутренние ресурсы.

Data science инструменты: основные языки программирования, ML-фреймворки и облачные сервисы

Практика: создание ML-модели с использованием облачного сервиса.

Введение в глубокое обучение (Deep Learning, DL)

Основная терминология, область применения и актуальность;

Основы нейронных сетей. Персептрон;

Современные нейросетевые архитектуры;

Сверточные нейронные сети;

Рекуррентные нейронные сети;

Автоэнкодеры;

Data science инструменты: DL-фреймворки;

Практика/демонстрация:

Самостоятельная лабораторная работа (распознавание изображений с помощью нейронных сетей);

Обучение при распознавании изображений с помощью нейронных сетей.

Управление Data Science-процессом

Постановка задач

Команда

Методологии (CRISP)

Интеграция в существующие процессы компании

По окончании обучения выдается

Как вы будете учиться

Ваша заявка принята!

Ваша заявка принята!