tensor.by —

Курсы по машинному обучению

Цена вопроса

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

1400 BYN

Начало занятий -
Декабрь, 2018 - Январь, 2019

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!

Velcom
Компания VELCOM

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.

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