На связи команда BELHARD!
Phone
Telegram
Viber
WhatsApp
Курсы IT
Стажировка
Трудоустройство
Корпоративное обучение
Вакансии
Контакты
+375 (44) 546 54 54
+375 (29) 546 54 54
Курсы IT
Стажировка
Трудоустройство
Корпоративное обучение
Вакансии
Контакты
+375 (44) 546 54 54
+375 (29) 546 54 54
Тест: Кем работать в IТ?
Тренинг «Гид по IT-профессиям»
Управление и бизнес-анализ в IT (9)__https://belhard.academy/businessanalysis
Менеджмент в IT (2)__https://belhard.academy/managementinit
Курсы программирования (11)__https://belhard.academy/developmentpo
Искусственный интеллект и нейронные сети (5)__https://belhard.academy/artificialintelligence
Дизайн и графика (2)__https://belhard.academy/design
Маркетинг (2)__https://belhard.academy/marketing
IT-Рекрутинг и IT-HR (5)__https://belhard.academy/recruitinghr
Сопровождение IT-бизнеса (2)__https://belhard.academy/itbusiness
Криптовалюта и инвестиции (1)__https://belhard.academy/crypto
Soft skills
Курсы дневные (6)
Подарочный сертификат
Бизнес-анализ в IT
Управление проектами в IT
2в1: Бизнес-анализ и управление проектами в IT
Системный анализ
Бизнес-анализ: проектирование систем с BPMN и UML
Business Intelligence
Product management
Agile. Гибкие методологии разработки программного обеспечения
Искусственный интеллект для бизнес-аналитиков
People Management
Head of IT
Тестирование программного обеспечения
Автоматизированное тестирование ПО на Java
Автоматизированное тестирование ПО на Python
Основы разработки сайтов
Программирование на Java
Микросервисы Java
Программирование на Python
Программирование на C# с нуля
Front-End разработка
SQL: основы управления базами данных
DevOps. Системный инженер
Data Science: машинное обучение и нейронные сети
ChatGPT и другие нейросети
Нейросети для HR и рекрутеров
Искусственный интеллект в интернет-маркетинге
Искусственный интеллект для бизнес-аналитиков
Графический дизайн
UX/UI для новичков
Комплексный интернет-маркетинг
Искусственный интеллект в интернет-маркетинге
IT-Recruiter
IT-HR
Senior IT-Recruiter
Подбор эффективной команды
Нейросети для HR и рекрутеров
IT-Юрист
IT-Бухгалтер
Блокчейн-технологии и криптовалюты
Стажировка для всех направлений
Стажировка для бизнес-аналитиков
Стажировка для HR-специалистов
ПРОГРАММА КУРСА
Data Science: машинное обучение и нейронные сети.
Профессиональный уровень
Тема 1. Введение в курс – Продолжение пути в Data Science
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.
Тема 2. Работа с данными
Вопросы ДЗ.
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 Postgres.
Базовый SQL.
Продвинутый SQL.
Безопасность и конфиденциальность данных.
Тема 3. Алгоритмы машинного обучения в отсутствии нормального распределения.
ДЗ.
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.
Тема 4. Математика. Основы статистики и теория вероятности.
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.
Тема 5. Нейронные сети.
Введение и основные понятия в нейронных сетях.
Нейроны и слои нейронных сетей.
Веса и смещения.
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.
Тема 6. Рекуррентные нейронные сети.
Вопросы с прошлой лекции сверточные нейронные сети.
Инструменты для работы с нейросетями: keras и tf.
Рекуррентные нейронные сети.
Рекуррентные нейронные сети: LSTM.
Рекуррентные нейронные сети: GRU.
Применение LSTM и GRU.
Тема 7: NLP: алгоритмы и подходы.
Вопросы с прошлой лекции рекуррентные нейронные сети.
NLP: алгоритмы и подходы.
Векторные представления слов.
Word2Vec.
Word2Vec: CBOW.
Word2Vec: Skip-Gram.
GloVe.
FastText.
Работа с текстом в Python.
NLTK.
Тема 8. Машинное обучение. AutoML.
Презентация ДЗ.
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.
Тема 9. Генеративно-состязательные сети.
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.
Тема 10. Обучение с подкреплением.
Презентация ДЗ.
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.
Тема 11. Трансферное обучение.
Презентация дз.
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.
Тема 12. Трансформеры.
Введение в трансформеры и их 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.
Тема 13 Трансформеры продолжение и ограничения ML систем.
Презентация дз
XLNetModel.
Т5.
AlbertModel.
Проектирование ml систем.
Жизненный цикл модели.
Инструменты для проектирования ml систем.
Развертывание модели.
Ограничения ml систем.
Тема 14. Развертывание моделей с помощью API
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.
Тема 15. Разработка конвейеров ML.
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.
Тема 16. Презентации финальных проектов.
Наличие git репозитория с проектом или пройденный курс (курсы).
Знание Python на базовом уровне.
Понимание и использование базовых принципов классического машинного обучения.
Для прохождения курса желательно:
Вернуться на страницу курса