Data Science: машинное обучение и нейронные сети
Курс
Количество и время занятий
16 занятий, 2 раза в неделю, 19:00 – 22:00 (вт/чт)
Получите углубленные знания и навыки, которые помогут вам решать сложные задачи и разрабатывать нейросетевые модели для реальных приложений.
Стоимость
1270 BYN
Формат
Онлайн
Старт
по мере набора группы
Преподаватель: Потолицына Татьяна
Заполните форму, а мы поможем
с остальным
Нажимая на кнопку «Оставить заявку», вы выражаете свое согласие с политикой обработки персональных данных и условиями публичного договора.
Кто такой Data Scientist?
Специалист, который анализирует данные, выявляет закономерности и строит модели машинного обучения, помогая бизнесу принимать решения и прогнозировать результаты. Мы поможем вам освоить ключевые навыки и начать карьеру в Data Science.
Кому подойдет курс:
Тем, кто хочет уверенно работать с данными
Научитесь анализировать большие датасеты, выбирать методы и обоснования решений.
Тем, кто хочет систематизировать и углубить знания
Закрепите фундамент, разберёте пробелы и перейдёте к более сложным и серьёзным темам.
Тем, кто хочет участвовать в серьёзных проектах
Научитесь строить архитектуры, проводить эксперименты, интерпретировать результаты и документировать решения.
Примеры задач, которые решает Data Scientist в реальных проектах
Уверенность и гарантии
Если вы вынуждены прервать обучение, в течение года вы сможете вернуться и продолжить с того занятия, на котором остановились.
Оптимальное количество теории и практики
Фокус на выработку профессиональных навыков на реальных кейсах.
Обучение в реальном времени
Никаких предзаписанных видео. Общайтесь с экспертом, задавайте вопросы и получайте ответы прямо на занятии.
Преимущества курса
Программа курса
- Основные понятия в машинном обучении.
- Типы данных и задачи машинного обучения.
- Обучение с учителем: классификация.
- Модели для решения задачи классификации.
- Оценка качества моделей классификации.
- Обучение с учителем: регрессия.
- Модели для решения задачи регрессии.
- Оценка качества моделей регрессии.
- Сбалансированность классов.
- Обзор инструментов и библиотек.
- Введение в работу с данными.
- Типы данных и их использование.
- Методы и инструменты для обработки данных.
- Обработка, хранение и использование информации.
- Типы баз данных.
- SQL и PSQL.
- Базовый SQL.
- Продвинутый SQL.
- Безопасность и конфиденциальность данных.
- Исследовательский анализ данных (EDA).
- Алгоритмы машинного обучения в отсутствии нормального распределения.
- Деревья решений и ансамблевые методы.
- Методы на основе расстояний.
- Методы понижения размерности.
- Ассоциативные правила.
- Обучение представлений.
- Автоэнкодеры.
- Вариационные автоэнкодеры.
- Сверточные автоэнкодеры.
- Дешумящие автоэнкодеры.
- Основные понятия и обозначения.
- Знакомство с понятиями вектор, матрица, векторное пространство.
- Действия над векторами и матрицами.
- Специальные типы матриц.
- Теория вероятности и комбинаторика.
- Условная вероятность и формула Байеса.
- Практическое применение вероятностей и формулы Байеса.
- Вероятностное моделирование и оценка параметров.
- Гипотезы и статистические тесты (t-тест, ANOVA).
- Корреляция и ковариация. Понятие корреляции и её виды.
- Введение и основные понятия в нейронных сетях.
- Нейроны и слои нейронных сетей.
- Веса и смещение.
- Функции активации нейронных сетей.
- Обучение нейронных сетей.
- Популярные архитектуры нейронных сетей.
- Сверточные нейронные сети.
- Сверточные нейронные сети LeNet.
- Сверточные нейронные сети AlexNet.
- Сверточные нейронные сети MobileNet.
- Сверточные нейронные сети: YOLO.
- Метрики качества YOLOv5.
- Аугментация данных в YOLOv5.
- Инструменты для работы с нейросетями: keras и tf.
- Рекуррентные нейронные сети.
- Рекуррентные нейронные сети: LSTM.
- Рекуррентные нейронные сети: GRU.
- Применение LSTM и GRU.
- NLP: алгоритмы и подходы.
- Векторные представления слов.
- Word2Vec.
- Word2Vec: CBOW.
- Word2Vec: Skip-Gram.
- GloVe.
- FastText.
- Работа с текстом в Python.
- nltk.
- Реализация чат-бота на PyTorch.
- Введение в AutoML.
- Популярные инструменты в AutoML.
- Ограничения текущих AutoML систем.
- AutoML PyCaret 3.0.
- AutoML PyCaret 3.0 классификация.
- AutoML PyCaret 3.0 регрессия.
- AutoML PyCaret 3.0 кластеризация.
- AutoML PyCaret 3.0 детекция аномалий.
- AutoML PyCaret 3.0 временной ряд.
- AutoML для нейросетей.
- PyTorch.
- VGG.
- ResNet.
- Введение в GAN.
- Генеративно-состязательная сеть DCGAN.
- Генеративно-состязательная сеть cGAN.
- Генеративно-состязательная сеть CycleGAN.
- Генеративно-состязательная сеть WGAN.
- Генеративно-состязательная сеть Pix2Pix.
- Генеративно-состязательная сеть StyleGAN.
- Генеративно-состязательная сеть StyleGAN2.
- Генеративно-состязательная сеть BigGAN.
- Инструменты для работы.
- Обучение с подкреплением.
- Основные элементы обучения с подкреплением.
- Процесс принятия решений.
- Значение (Value-Based) Алгоритмы.
- Политика (Policy-Based) Алгоритмы.
- Модель (Model-Based) Алгоритмы.
- Комбинированные (Hybrid) Алгоритмы.
- Мультиагентное обучение с подкреплением.
- Глубокое обучение с подкреплением.
- Обучения с подкреплением переобучение.
- Подбор гиперпараметров.
- Введение в трансферное обучение.
- Этапы трансферного обучения.
- Настройка виртуального окружения.
- Предобученные модели.
- Данные обучения моделей.
- Разметкdа данных.
- Модуль detect.
- Модуль train.
- Модуль hyps.
- Установка и настройка TensorBoard.
- Модуль segment.
- Метрики качества.
- Введение в трансформеры, важность в NLP.
- Архитектура трансформера: внимание и механизмы.
- Основы самовнимания (Self-Attention) и его роль.
- Позиционное кодирование и его важность.
- Энкодеры и декодеры в архитектуре трансформера.
- Мультиголовое внимание (Multi-Head Attention).
- Применение нормализации по слоям (Layer Normalization).
- Feed-Forward нейронные сети в архитектуре трансформера.
- Примеры применения трансформеров в различных задачах NLP.
- Обзор расширений архитектуры трансформеров.
- BERT (Bidirectional Encoder Representations from Transformers): архитектура и применение.
- GPT (Generative Pre-trained Transformer): от GPT-1 до GPT-3 и их особенности.
- Дистилляция моделей и эффективность трансформеров.
- Работа с Hugging Face Transformers.
- XLNetModel.
- Т5.
- AlbertModel.
- Проектирование ml систем.
- Жизненный цикл модели.
- Инструменты для проектирования ml систем.
- Развертывание модели.
- Ограничения ml систем.
- Микросервисная архитектура.
- REST vs gRPS.
- Фреймворки для разработки веб-приложений.
- Знакомство с Flask.
- Знакомство с FastAPI.
- Знакомство с Django.
- Docker.
- Тестирование модулей при помощи unittest.
- Тестирование модулей при помощи PostMan.
- Микросервис на примере рекомендательной системы.
- Обзор этапов конвейера машинного обучения.
- Оркестровка конвейера.
- Apache Beam.
- Apache Airflow.
- Apache Airflow Dag.
- Apache Airflow планирование и выполнение.
- Apache Airflow мониторинги управление.
- Apache Airflow настройка и расширение.
- Apache Airflow обслуживание и масштабирование.
- Kubeflow.
- Kubeflow. Основные компоненты.
- Kubeflow. Управление рабочими процессами ML.
- Kubeflow. Масштабируемость и управление ресурсами.
- Kubeflow. Компоненты для разработки ML.
- Kubeflow. Управление моделями и экспериментами.
Понимание и использование базовых принципов классического машинного обучения.
Знание Python на базовом уровне.
Наличие git репозитория с проектом или пройденный курс (курсы).
Для прохождения курса желательно:
В ходе курса вы:
2
Освоите процесс нейронного обучения
1
Освоите математическую базу, необходимую для работы с ИИ
3
Освоите основы сверточных нейронных сетей и рекуррентных нейронных сетей
4
Освоите популярные архитектуры нейронных сетей
Адаптивная программа
Академия BELHARD даёт выверенные знания, которые позволяют пройти техническое собеседование. Программы регулярно адаптируются под потребности рынка.
Трудоустройство
Наш карьерный центр окажет содействие в подготовке к успешному интервью с партнёрами-работодателями. Вы также получите персональные рекомендации для создания резюме. Узнать подробнее
Всего 1270 BYN за весь курс
Возможна оплата в два этапа. Работаем с системой «Расчет» (ЕРИП).
Узнать подробнее
Узнать подробнее
Корпоративные группы и индивидуальное обучение
Мы адаптируем нашу учебную программу к вашим особым требованиям.
Узнать подробнее
Узнать подробнее
Нам доверяют
Более 2000 выпускников уже вышли на новые карьерные возможности.
Оптимальный размер учебных групп
Это позволяет, с одной стороны, научиться работать в команде, а с другой – добиться индивидуального подхода к каждому слушателю.
Почему стоит изучать курс
«Data Science: машинное обучение и нейронные сети» именно в Академии BELHARD?
«Data Science: машинное обучение и нейронные сети» именно в Академии BELHARD?
Преподаватели курса
- Татьяна ПотолицынаЯвляется экспертом в области разработки ПО и внедрения ИИ-решений для бизнеса. Проводит обучение начальных и продвинутых групп по направлению Data Science.
Общий опыт в сфере разработки более 15 лет. - Александр КрощенкоПрактикующий разработчик коммерческих приложений в области ИИ с опытом более 7 лет. Кандидат технических наук, профессиональный преподаватель со стажем работы более 12 лет. Имеет опыт разработки систем с Computer Vision компонентами и рекомендательных систем.
Отзывы по курсу
При успешном окончании курса два сертификата помогут выделиться
Cертификат Академии BELHARD
Сертификат об обучении государственного образца
*Для подготовки требуются дополнительные данные. Подробности у менеджеров Учебного Центра.
Часто задаваемые вопросы
Да! Базовый курс рассчитан на новичков. Наш курс разработан таким образом, чтобы охватить все необходимые основы, начиная с самых простых концепций. Мы предлагаем подробные объяснения и практические задания, которые помогут вам постепенно освоить программирование и применять его в машинном обучении и нейросетях. Если у вас есть базовое понимание компьютеров и желание учиться, вы сможете успешно пройти курс. Если уже есть навыки и знания в программировании, это упростит обучение.
Для продвинутого уровня курса потребуются навыки программирования и GitHub-репозиторий с проектами.
Для продвинутого уровня курса потребуются навыки программирования и GitHub-репозиторий с проектами.
Курс требует усидчивости, но мы поддерживаем студентов на всех этапах:
- Обеспечиваем необходимую помощь в освоении материала и обратную связь по заданиям.
- Доступ к записям занятия для повторения материала.
- Первое занятие в качестве пробного. Вы можете оценить курс и понять, подходит ли он Вам без каких-либо обязательств.
- Обеспечиваем необходимую помощь в освоении материала и обратную связь по заданиям.
- Доступ к записям занятия для повторения материала.
- Первое занятие в качестве пробного. Вы можете оценить курс и понять, подходит ли он Вам без каких-либо обязательств.
Курс требует 10–12 часов в неделю:
- 6 часов — онлайн-занятия,
- 4–6 часов — практика и домашние задания.
- 6 часов — онлайн-занятия,
- 4–6 часов — практика и домашние задания.
Да! Курс включает как теоретические, так и практические занятия. Вы будете работать над реальными проектами, которые помогут закрепить полученные знания и применить их на практике. Практические задания охватывают различные аспекты машинного обучения и нейросетей, включая обработку данных, построение моделей и их оптимизацию.
- Google Colab и Jupyter Notebook для анализа данных.
- IDE на выбор: VS Code, PyCharm и другие.
- Библиотеки: Pandas, NumPy, Scikit-learn, TensorFlow/Keras.
- IDE на выбор: VS Code, PyCharm и другие.
- Библиотеки: Pandas, NumPy, Scikit-learn, TensorFlow/Keras.
К каждому занятию прилагаются ресурсы для углубленного изучения: статьи, видео, датасеты.
Да! Карьерный центр поможет подготовить резюме для эффективного представления ваших навыков и ускорит трудоустройство. Учтите, что конкуренция в сфере высока — успех зависит от вашей вовлеченности, качества проектов и умения выделить свои сильные стороны.
Также мы сотрудничаем с IT-компаниями и рекомендуем лучших выпускников для стажировок.
Также мы сотрудничаем с IT-компаниями и рекомендуем лучших выпускников для стажировок.
Да, при условии сдачи всех заданий и финального проекта. Сертификат признается работодателями в СНГ и будет дополнительным преимуществом в вашем резюме.