Machine Learning PRO + Deep Learning

От: Skillfactory

5/5
4 отзыва

Курс "Machine Learning PRO + Deep Learning" продолжительностью в 140 дней рассчитан на новичков в этой сфере. Он включает в себя программу из 10 модулей по изучению базовых основ машинного обучения и 11 модулей по освоению искусственных нейронных сетей. Каждый блок предусматривает теоретические и практические занятия. Таким образом, обучающиеся получают не только хорошие знания в области Data Science, но и практические навыки по созданию нейросетей, чат-ботов. Они научатся работать с текстами и средствами ML, овладеют инструментами TensorFlow, Keras и Python. Выпускникам выдаётся соответствующий диплом.

Сводка

Цена
от 79 900₽ 47 900₽
Рассрочка
от 200₽
Статус
Идет набор
Начнется
12.10.2020
Длительность
4 недели
Язык
ru

Описание курса

Базовому пониманию машинного обучения и углубленным знаниям в области Data Science

- Понимать алгоритмы и
- Использовать Deep Learning со знанием библиотек
- Создавать нейронные сети для распознавания рукописных цифр на языке Python
- Создавать модели распознавания изображений на базе датасета FashionMNIST и фреймворка Keras
- Создавать чат-бот на базе рекуррентной нейросети

О школе

Skillfactory
Отзывы 0
Информация
Компания основана в 2016 году. Официальный сайт https://skillfactory.ru. Мы собрали и проверили более 115 отзывов об онлайн курсах Skillfactory.

Программа курса

Модуль 1
Введение в машинное обучение
Знакомимся с основными задачами и методами machine learning , изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
Решаем 50+ задач на закрепление темы
Модуль 2
Методы предобработки данных
Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
Решаем 60+ задач на закрепление темы
Модуль 3
Регрессия
Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
Решаем 40+ задач на закрепление темы
Модуль 4
Кластеризация
Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
Модуль 5
Tree-based алгоритмы: введение в деревья
Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
Модуль 6
Tree-based алгоритмы: ансамбли
Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
Участвуем в соревновании на kaggle по обучению tree-based модели
Модуль 7
Оценка качества алгоритмов
Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
Оцениваем качество нескольких моделей ML
Модуль 8
Временные ряды в машинном обучении
Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
Модуль 9
Рекомендательные системы
Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
Модуль 10
Финальный хакатон
Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle
Программа курса «Deep Learning»
Введение в искусственные нейронные сети
Создаем нейронную сеть для распознавания рукописных цифр на языке Python
Фреймворки для глубокого обучения (TensorFlow, Keras)
Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras
Сверточные нейронные сети
Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети
Оптимизация нейронной сети
Улучшаем скорость и производительность сетей для кейса предыдущего модуля
Transfer learning & Fine-tuning
Дообучение нейронной сети ImageNET для решения задачи классификации изображений
Сегментация изображений
Проектируем нейронную сеть для сегментации людей в датасете COCO
Детектирование объектов
Обучаем нейросеть решать задачу детекции на примере датасета с логотипами брендов
Введение в NLP и Word Embeddings
Создаем нейросеть для работы с естественным языком
Рекуррентные нейронные сети
Создаем чат-бота на базе рекуррентной нейросети
Reinforcement Learning (обучение с подкреплением)
Создаем агента для игры в Pong на основе DQN алгоритма
Модуль 11
What's next?
Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений
Инструменты
TensorFlow
Keras
Python

Отзывы

Рейтинг 5
4 отзывов
4 месяца назад
Проходил у них курс по машинному обучению, за 6 недель пришлось отдать 44 тысячи, и то, это еще со скидкой оплатил, потому что покупал заранее. А так он стоит 69 тысяч. Как мне кажется, ценник неслабо завышен. По окончанию обучения мнения не изменил. Не спорю, знания приобрел полезные, но красная цена этому курсу – тысяч 25, не больше. К преподам вопросов не имею, ребята толковые, практики, а не типичные вузовские педагоги. Поэтому обучение вели на понятно и доступном языке, все объясняли, на тонкостях, которые не нужны специалисту типа меня, не останавливались. Программа была обширная, начали с языка Питона, а закончили уже применением машинного обучения на практике. В целом изучались алгоритмы машинного обучения, учились их классифицировать, работать с данными, подбирать модели под конкретные задачи. Сложно, но, тем не менее, интересно. Уроки велись в оффлайне, я всегда был сторонником очного формата. Тут все стандартно: лекция с презентацией, практические задачи. Все делали на ноутах с Питоном (нужен свой, но Питон, если надо, поставят или покажут как это сделать). Параллельно практиковалась работа в группах. Для удаленки использовался мессенджер Слак. Дома делал домашку. В целом я научился решать конкретные бизнес-задачи и работать с данными с помощью машинного обучения. Так что обучение прошло не зря, хоть и влетело в копеечку.
Отзыв взят с сайта mooc.ru
4 месяца назад
Летом 2018 года проходил курс "Практический Machin Learning". На курсе сильное взаимодействие, как с преподавателями, так и с другими слушателями. Очень понравились групповые задания-соревнования и финальный хакатон. Было классно. Такой подход к подаче материала нравится. Т.к. в случае с Python'ом practice makes perfect. Касательно минусов лично для меня иногда было ну очень много теории. Конечно, без нее никак.Но теорию можно и дома почитать или посмотреть лекцию с "говорящей головой". Хотелось бы курсу пожелать побольше практических занятиях "в классе". Некоторые домашние задания как по мне были сложны и за один присест из было не сделать. Но опять же, это для кого-то минус, а для кого-то плюс. По сути Д/З мотивирует самому включаться и разбираться. И даже подключать других.
Отзыв взят с сайта mooc.ru