Профессия Data Scientist от Слерм

    Слерм
    Стоимость курса
    80 000 Р
    Рассрочка
    от 20 000 Р в месяц
    Длительность
    3.5 месяца
    Сертификат
    Да
    Начало курса
    29 марта 2024
    Трудоустройство
    Нет

    Кому подойдет

    • Разработчикам, работающим в кросс-функциональных командах вместе с Data Scientist’ами
    • Software Engineer, Data Engineer, DevOps Engineer на уровне Middle
    • Уже знакомы с Python и хотите освоить новое рабочее направление

    Чему Вы научитесь

    • анализировать и визуализировать большие объемы данных
    • сводить бизнес-задачу в задачу машинного обучения
    • работать с данными разных типов

    Программа обучения

    1.Введение. Определение ML

    • 1.1. Введение. Структура курса
    • 1.2. Цикл разработки модели и специалисты в сфере анализа данных
    • 1.3. Настройка рабочего окружения
    • 1.4. Библиотека NumPy
    • 1.5. Библиотека Pandas

    2. Анализ данных как первый шаг к ML/DS

    • 2.1. Введение
    • 2.2. Качество данных и типы данных
    • 2.3. Приемы анализа данных — сводные показатели
    • 2.4. Приемы анализа данных — визуализация
    • 2.5. Итоги

    3. Постановка задачи машинного обучения на примере KNN

    • 3.1. Введение
    • 3.2. Постановка задачи машинного обучения
    • 3.3. Алгоритм k-ближайших соседей
    • 3.4. Взвешенный алгоритм k-ближайших соседей
    • 3.5. Виды расстояний и проблемы метода k-ближайших соседей
    • 3.6. Оценка качества ML модели и выбор гиперпараметров
    • 3.7. Практика
    • 3.8. Итоги

    4. Валидация модели и подготовка данных

    • 4.1. Введение
    • 4.2. Валидация модели
    • 4.3. Подготовка данных
    • 4.4. Итоги

    5. Обучение с учителем — регрессия

    • 5.1. Введение
    • 5.2. Линейная регрессия
    • 5.3. Алгоритм стохастического градиентного спуска
    • 5.4. Метрики качества регрессии
    • 5.5. Регуляризация линейных моделей
    • 5.6. Практика
    • 5.7. Итоги

    6. Обучение с учителем — классификация

    • 6.1. Введение
    • 6.2. Логистическая регрессия
    • 6.3. Метрики качества классификации
    • 6.4. Практическое занятие по решению задачи классификации с помощью лог. рег.
    • 6.5. Итоги

    7. Деревья решений

    • 7.1. Введение
    • 7.2. Деревья решений
    • 7.3. Ансамблирование алгоритмов
    • 7.4. Случайный лес (random forest)
    • 7.5. Бустинг. AdaBoost
    • 7.6. Градиентный бустинг, catboost/xgboost/lightgbm
    • 7.7. Практическое занятие по использованию деревьев решений и ансамблей над ними
    • 7.8. Итоги

    8. Обучение без учителя

    • 8.1. Введение
    • 8.2. Задача кластеризации
    • 8.3. Быстрый поиск ближайших соседей
    • 8.4. Задача понижения размерности
    • 8.5. Практика
    • 8.6. Итоги

    9. Оптимизация ML-пайплайна

    • 9.1. Введение
    • 9.2. Feature engineering
    • 9.3. Оптимизация гиперпараметров. Алгоритмы ML как гиперпараметры ML пайплайна
    • 9.4. Библиотеки для оптимизации гиперпараметров
    • 9.5. Практическое занятие по построению ML пайплайна с различными компонентами, оптимизации гиперпараметров и выбору оптимального ML пайплайна
    • 9.6. Итоги

    10. Итоговый проект

    • 10.1. Введение
    • 10.2. Задание

    11. Введение в глубокое обучение (DL + CV)

    • 11.1. Введение
    • 11.2. Перцептрон. Функции активации. Многослойный перцептрон.
    • 11.3. Обучение нейронных сетей. Оптимизаторы.
    • 11.4. Линейная/логистическая регрессия как простейшая нейросеть.
    • 11.5. Машинное представление изображения. Свертка. Фильтр.
    • 11.6. Сверточная нейронная сеть. Паддинг (padding), Страйд (stride), Рецептивное поле (receptive field).
    • 11.7. Imagenet. Alexnet, VGG.
    • 11.8. Глубокие сверточные сети. ResNet.
    • 11.9. Эффективные свертки. Inception.
    • 11.10. Neural architecture search. EfficientNet.
    • 11.11. Итоги

    12. Введение в обработку текстов (NLP)

    • 12.1. Введение
    • 12.2. Примеры задач, решаемые NLP подходами
    • 12.3. Предобработка текстов
    • 12.4. Bag-of-words и TF-IDF
    • 12.5. Word2Vec и FastText
    • 12.6. Языковые модели: применение рекуррентных нейронных сетей
    • 12.7. Большие языковые модели
    • 12.8. Transfer Learning при работе с текстами
    • 12.9. Практика
    • 12.10. Итоги

    13. Введение в рекомендательные системы (RecSys)

    • 13.1. Введение
    • 13.2. Примеры рекомендательных систем
    • 13.3. Постановка задач рекомендательных систем
    • 13.4. Коллаборативная фильтрация. Memory based подход
    • 13.5. Коллаборативная фильтрация. Матричные факторизация
    • 13.6. Коллаборативная фильтрация. Линейные модели
    • 13.7. Коллаборативная фильтрация. Нейросетевые модели
    • 13.8. Итоги

    14. Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал

    • 14.1. Введение
    • 14.2. ML System Design — что это и отличия от System Design
    • 14.3. Фреймворк дизайна ML системы
    • 14.4. Пример дизайна — прогноз спроса
    • 14.5. Пример дизайна — оптимизация маркетинга
    • 14.6. Пример дизайна — подбор рекламы
    • 14.7. Итоги

    15. Проект

    Отзывы о школе 1

    5 из 5
    1
    0
    0
    0
    0
    Сортировать:
    Дате публикации
    • Дата публикации
    • Популярности
    • Сначала положительные
    • Сначала отрицательные
    • Станислав 4 июня 2023

      Я решил пройти интенсивный практический курс для того, чтобы более подробно ознакомиться с принципами работы k8s. После внимательного рассмотрения многих вариантов я остановился на интенсиве от Слерм. Мне очень понравилось качество преподавания, и мне не потребовалось обращаться в службу поддержки, что говорит об отличном организационном уровне этого курса. На курсе для меня самым интересным моментом стало добавление rollback piplin'а для отката версии Docker-образа. Однако, так как я являюсь ценителем CI/CD, то эта тема была для меня весьма актуальной. Очень приятно было узнать больше о интеграции CI/CD с Kubernetes через Helm, хотя создание собственной базы helm chart'а оказалось для меня достаточно сложной практической задачей. После курса я лично убедился в том, что Kubernetes - это наиболее совершенный оркестратор для контейнеров на данный момент времени. Я продолжаю развиваться в этой сфере и применять новые знания в рабочих задачах. В настоящее время я пересматриваю материалы курса, которые связаны с helm, так как мне приходится пересобирать все наши ci/cd под деплойку через Helm. В целом, курс был полезным и оказался очень интересным. Я получил множество новых знаний и навыков, которые несомненно помогут мне в дальнейшей работе с Kubernetes и CI/CD. Если вы хотите улучшить свои знания и навыки в этой сфере, я рекомендую обратить особое внимание на интенсивы от Слерм.

      Был ли отзыв полезен?
    Посмотреть все отзывы о Слерм