tensor.by —

Курсы по машинному обучению

Цена вопроса

Весь курс / 36 часов
плюс постоянная поддержка в собственном slack-канале

1400 BYN

Начало занятий -
Сентябрь - Октябрь, 2018

Требования:

  1. Опыт программирования 2 года;
  2. Высшая математика на уровне университета
  3. Английский на уровне беглого чтения;
  4. Ноутбук 8 Гб+ оперативы;
  5. 10 часов свободного времени в неделю.

После окончания курса - сертификат и возможность трудоустройства в одну из компаний-партнёров

Всё-таки решился?!

На указанный e-mail уже полетело письмо c подробностями, а значит скоро прилетит - там всё ;)

Увидимся на занятиях!

У-у-упс!

Кажется, произошёл непредвиденный сбой :( Придётся тебе самому написать нам!

Ждём твоего письма!

Ты сможешь. Точно.
Elizaveta Chechura
Elizaveta Chechura
Database Analyst at DELVE

Oчень полезный и информативный курс для интересующихся machine learning. Много практики и обратной связи. Информации очень много, но при этом курс не растянут и хорошо структурирован, Спасибо!

Boris Mossounov
Boris Mossounov
Senior Software Engineer at Flatlogic

Тензор.бай - это на мой взгляд отличные курсы, для того, чтобы погрузиться в сферу Machine Learning! Я смог сразу применить полученные знания на проекте и помочь клиенту решить его бизнес задачу!

Содержание курсаСкачать в .PDF
Неделя 1 / из 9

Введение в курс.

Подготовка данных для моделирования в Python c использованием пакетов Numpy и Pandas: объекты Ndarray, Series, DataFrame, а также атрибуты методы и функции для работы с ними

Неделя 2 / из 9

Обучение без учителя. Кластерный анализ. Задачи и оценка качества кластеризации. Типы кластеризации: плоская, иерархическая, мягкая. Метод K-Means. Сравнение плоских методов. Агломеративная кластеризация, построение дендрограммы. Смесь Гауссовских распределений (Gaussian Mixture Model).

Неделя 3 / из 9

Обучение с учителем – Регрессия. Математическая модель линейной регрессии. Нахождение коэффициентов методом градиентного спуска. Модели линейной регрессии с полиномиальными переменными и регуляризацией. Метрики оценки качества моделей регрессии. Валидация моделей.

Неделя 4 / из 9

Обучение с учителем – Классификация. Модели классификации: линейная модель и модели на основе ансамблей разрешающих деревьев. Метрики оценки качества моделей классификации. Задачи бинарной и мультикласс классификации. Проблема несбалансированных классов. Оптимизация гиперпараметров модели.

Неделя 5 / из 9

Анализ и прогнозирование временных рядов. Понятие временного ряда, тренда, сезонности. Метрики оценки качества моделей прогнозирования временных рядов. "Наивные" модели. Семейство моделей ARIMA.

Неделя 6 / из 9

Моделирование и анализ текстовой информации. Задачи Natural Language Processing. Способы представления текста в моделировании. Ключевые методы предобработки текстовой информации. Пакеты для обработки текстовой информации в языке Python.

Неделя 7 / из 9

Нейронные сети. Виды нейронных сетей. Глубокое обучение. Алгоритм обратного распространения ошибки. Пример решения задачи классификации изображений с помощью многослойной полносвязной нейронной сети. Фреймворк Keras.

Неделя 8 / из 9

Рекуррентные нейронные сети и их применение. LSTM. Сверточные нейронные сети. Операции “свертка” и “пулинг”. Эмбеддинги. Применение нейронных сетей при обработке текста и изображений. Пример решения задачи классификации текстовой информации с помощью рекуррентной нейронной сети.

Неделя 9 / Заключительная

Защита выпускных проектов.

Все получится.

Они гарантируют.

Александр Гедранович

Lead data scientist at RocketScience.ai, кандидат наук.

Опыт преподавания и коммерческих разработок более 15 лет. Автор более 60 научных публикаций. Консультирует ряд стартапов и международных компаний в области искусственного интеллекта и машинного обучения.

Екатерина Минюкович

Data scientist at RocketScience.ai, кандидат наук.

Опыт преподавания и коммерческих разработок, в том числе в области искусственного интеллекта и машинного обучения, более 5 лет. Автор более 30 научных публикаций. Принимала участие в международных IT-проектах Института статистики ЮНЕСКО, UNDP и Европейской Комиссии.

Дмитрий Марковский

Data scientist at RocketScience.ai, кандидат наук.

Опыт научных и коммерческих разработок, в том числе в области машинного обучения, более 10 лет. Автор более 20 научных публикаций. Консультирует ряд стартапов и крупных международных компаний в области искусственного интеллекта и машинного обучения.

Андрей Лапаник

Системный архитектор в RocketScience.ai. Опыт коммерческой разработки - 17 лет.

Учавствовал в разработке систем различной сложности, от крупных баннерных платформ до мобильных приложений. Автор научных работ по математическому моделированию.

Ольга Гедранович

Data scientist at RocketScience.ai, магистр наук. Опыт преподавания IT-дисциплин - 9 лет.

Автор более 30 научных публикаций. Участвует в выполнении международных научно-практических программ, специализируется в ETL, Data Visualization, Text Analysis.

Александр Фридман

Аналитик в отделе B2B Geo Yandex, Data Scientist в Poder.IO.

Опыт разработки data-driven и computer-vision продуктов на базе нейронных сетей более 2-х лет. Все разработанные продукты активно используются в коммерческих целях. Главной своей особенностью считает ориентацию на практическое применение и проверку моделей в реальных условиях.

Прям все подходят?
Нет. Но вот простой тест:

Machine learning, neural networks, data science, artificial intelligence, drones, computer vision, virtual reality, augmented reality, big data - понял хотя бы одно выражение? Если да, то ты почти в обойме.

И еще задача:

Скука на работе + middle/senior software engineer с базовыми знаниями высшей математики и статистики + желание развиваться =

Что меня ждет?

Если в трех словах, то:

Практически. Одна. Практика.
  • Сквозной проект

    на каждом занятии будет итерационно добавляться что-то новое

  • Онлайн материалы

    презентации, часть курса в виде лекций онлайн

  • 12 человек в группе

    к каждому успеют подойти, считай - репетиторство

  • Работа на своих ноутах

    дома тоже придется ковыряться- изучать вот это вот всё

Это долго?
Нормально. Весь курс - 36 часов.

1 раз в неделю по 4 академических часа одно занятие / 180 минут /

Кем я стану?

Junior data scientist, способный расти и уже сегодня принимать участие в разработке сложных систем искусственного интеллекта. Да всё ещё впереди, но ведь нужен правильный старт?!

Готов поднять искусственный интеллект на новый уровень, став machine learning специалистом ?
Machine Learning. Искусственный интеллект.
Machine Learning

/ Машинное обучение /

это подраздел искусственного интеллекта, изучающий и применяющий методы построения алгоритмов, способных обучаться. Иными словами, вы учите роботов учиться, поднимая уровень их искусственного интеллекта и приближая будущее.

Шаблонный код и скучные проекты - это то, что можно забыть. Виртуальная реальность, дроны и умные машины - это то, что станет вашей работой!

СМИ об Искусственном Интеллекте
+ 375 29 605-30-27 Записаться