tensor.by —

Курсы по машинному обучению

Цена вопроса

Весь курс / 11 недель
плюс постоянная поддержка в собственном slack-канале

$700 (в эквиваленте!)

Хочешь получить скидку на обучение?

Напиши эссе на тему

"Почему я хочу учиться в Tensor.by?"

Автор лучшего эссе получит грант на обучение в размере 20%

Начало занятий -
Сентябрь 2021!

Требования:

  1. Опыт программирования 2 года;
  2. Не прогуливали высшую математику в универе;
  3. Английский на уровне беглого чтения;
  4. Ноутбук 4 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!

А1
Компания А1

Доверяет обучение своих сотрудников школе искусственного интеллекта TENSOR.by, для вывода телекоммуникационных услуг на новый уровень развития.

IBM
Компания IBA BELARUS

Доверяет обучение своих сотрудников школе искусственного интеллекта TENSOR.by, для вывода IT услуг на новый уровень развития.

Ivan Padabed
Ivan Podobed
Иван Подобед, Platform Architecture в PandaDoc

Курс Tensor.by удачно сочетает глубину теоретической базы с возможность немедленно применить практически всю эту базу на практических задачах (в том числе из Kaggle - де-факто главного поставщика интересных задач в этом домене). Учат хорошо, но очень интенсивно - освежить математический аппарат перед прохождением курса было хорошей идеей. Преподаватели разбираются, и с ними интересно и полезно обсуждать возникающие по ходу курса вопросы. Если хотите освоить специальность - рекомендую.

Ivan Padabed
Eugeniy Belov
Евгений Белов, руководитель аналитического отдела, Атлант-М

Мне зашло: искушённые преподаватели Екатерина Минюкович и Александр Фридман, объём и систематизация знаний вместо каши в голове - теперь знаю. куда копать дальше (а куда не копать), своя первая практическая модель. Я уже не буду прежним. Спасибо!

Содержание курсаСкачать в .PDF
Неделя 1 / из 11

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 11

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 3 / из 11

Обучение с учителем – Классификация. Модели классификации: линейная модель и модели на основе ансамблей деревьев решений. Метрики оценки качества моделей классификации. Задачи бинарной и мультикласс классификации. Проблема несбалансированных классов. Оптимизация гиперпараметров модели. Подготовка данных для моделирования, генерация новых переменныей.

Неделя 4 / из 11

Анализ и прогнозирование временных рядов. Понятие временного ряда. Стационарные и нестационарные временные ряды, понятие тренда, сезонности, цикличности. "Наивные" модели. Семейство моделей ARIMA. Метрики оценки качества моделей прогнозирования временных рядов.

Неделя 5 / из 11

Фреймворк H2O для машинного обучения.Мини дататон: решение практических кейсов с помощью моделей регрессии, классификации и прогнозирования временных рядов.

Неделя 6 / из 11

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.

Неделя 7 / из 11

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 8 / из 11

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 9 / из 11

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 10 / из 11

Рекомендательные системы. Коллаборативная фильтрация. Факторизация матриц. Нейросетевые подходы в рекомендательных системах. Методы оценки рекомендательных систем. Проблема холодного старта.

Неделя 11 / 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, кандидат наук.

Опыт преподавания и коммерческих разработок, в том числе в области искусственного интеллекта и машинного обучения, 10 лет. Автор более 30 научных публикацийи.

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.

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 - 44 часа.

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