MegaAdmin
Администратор
- Регистрация
- 11.08.15
- Сообщения
- 62,033
- Реакции
- 299,067
- #1
Голосов: 0
ЧЕМ ЗАНИМАЮТСЯ ML-ИНЖЕНЕРЫ:
В современном мире бизнес сталкивается со многими проблемами, которые требуют неординарных решений. Например, как идентифицировать клиентов, которые хотят уйти, и сохранить их с помощью ценовых факторов?
Работа ML-инженера заключается в решении подобного рода задач и создании систем, которые работают лучше и быстрее, чем решения, сделанные простым человеком.
ДЛЯ КОГО ЭТА ПРОГРАММА:
УЖЕ РАБОТАЕТЕ В IT
Вы уже работаете в IT, но хотите перейти в новую сферу или расширить свои знания и навыки, чтобы применить их в различных областях машинного обучения.
СТАРТ КАРЬЕРЫ
Хотите изучить машинное обучение, но не знаете, с чего начать. Курс научит вас необходимой математической базе для работы в ML и даст навыки для старта карьеры.
ПРОГРАММА КУРСА
1. ПРИКЛАДНАЯ РАЗРАБОТКА НА PYTHON
Python — один из самых популярных инструментов для анализа данных. В этом блоке мы научимся работать с этим языком, познакомимся с основными библиотеками для ML и узнаем, как грамотно использовать Python при командной работе. Также мы посвятим время изучению инструментов для работы с базами данных, как с помощью классического SQL, так и с помощью Python кода. Полученных знаний будет достаточно для работы не только в области анализа данных, но и в классической разработке на Python.
2. МАШИННОЕ ОБУЧЕНИЕ И ПРИЛОЖЕНИЯ
Классические методы машинного обучения — это основа для большинства современных способов анализа данных, например, для оптимизации банковского ценообразования. Мы изучим основной теоретический инструментарий для успешного построения ML-дизайна в острых проблемах реальной индустрии и отточим новые навыки на практике.
3. ОБЗОР ОСНОВ DEEP LEARNING
Глубинное обучение с использованием нейронных сетей появляется тогда, когда классические модели бессильны: детекция объектов с картинки, генерация осмысленного текста, определение тональности звуковой дорожки и многое другое. В данном курсе мы обзорно посмотрим на решения, которые можно сделать с помощью deep learning, и попробуем в них разобраться.
4. СТАТИСТИКА И A/B-ТЕСТЫ
В этом блоке мы изучим основные понятия математической статистики, необходимые для улучшения моделей. Научимся правильно проводить A/B тестирование, чтобы достоверно измерять влияние внедрения ML моделей на продукт и бизнес. Обсудим нюансы при проведении экспериментов и способы оценки метрик при невозможности проведения A/B-теста.
5. СОБЕСЕДОВАНИЯ И КАК ИХ ПРОЙТИ
В последнем блоке курса мы еще раз вспомним основные моменты из всего курса и обсудим, как проходят собеседования на младшего специалиста в машинном обучении, как к ним готовиться и как их проходить. Мы хотим поделиться своим опытом и помочь пройти первый этап в поиске профессии мечты.
Подробнее:
Скачать - [Karpov.Courses] Machine Learning для начинающих. Часть 7 из 7 (2023):
Если у Вас нет Премиум статуса:
Похожие темы
- [Джеймс Девис] 40 задач на Python (2024)
- [Андреас М. Антонопулос, Дэвид А. Хардинг] [ДМК] Осваиваем биткойн. Третье изд. (2024)
- [Игорь Ким] [Stepik] Введение в статистику и проверку гипотез (2024)
- [Вадим Шиховцов] Современные средства Python разработчика. IDE: PyCharm, VSCode и Spyder (2023)
- [GetAnalyst] Анализ требований: от идеи до задач в разработку (2024)
- [Полина Комкова] Паттерны проектирования микросервисной архитектуры и нотация С4 (2024)
- [Анна Вичугова, Дилара Валитова] UML-диаграммы последовательности для аналитика (2024)
- [Артем Егоров] [Stepik] Продвинутый python: заряди свои батарейки (2024)
- [Н. Честнов и др.] Python и ИИ-технологии с нуля за 4 месяца, 12 проектов с помощью ChatGPT (2023-2024)
- [Адам Фримен] [Питер] Основы TypeScript (2024)