Начните вводить название курса или технологии

    Ничего не найдено

    Рус Укр

    Курс Data Science и Machine Learning в Киеве

    Advanced level
    4.9

    занятий

    занятий в неделю

    старт

    За неделю записалось

    Осталось

    Машинное обучение совершило переворот в современном мире. Мы получили инструмент для решения задач, с которыми когда-то справлялся только человек. Распознавание объектов на изображении и видео, понимание текста, генерация реалистичных изображений, высококачественный нейронный машинный перевод. Решение этих задач просто невозможно в рамках «классического» программирования.

    Курс рассматривает не только основной технологический стек профессий Data Scientist и Machine Learning Engineer, но и дает глубокие знания в областях компьютерного зрения и обработки естественного языка. В подробностях будут рассмотрены современные нейросетевые архитектуры, подходы, фреймворки.

    • Детально рассмотреть большинство современных нейронных сетей
    • Решить много задач, связанных с распознаванием изображений
    • Научиться использовать и писать сверточные сети: от LeNet’a до ResNet’a, рекуррентные сети
    • Выполнить проекты, связанные с предсказанием цен реальных квартир с lun, с обработкой изображений и анализом текстов

    Рассчитан на IT-специалистов и инженеров любой специальности, знающих Python, линейную алгебру, математический анализ и статистику на уровне первого курса технического вуза.

    Для записи требуется пройти тест.

    Программа курса
    Data Science и Machine Learning

    16 занятий занятий
    • Introduction to Machine Learning
      • Превью курса
      • Что такое Machine Learning
      • Основные задачи Machine Learning
      • Основные типы обучения
      • Deep Learning
      • Machine Learning и современный мир
      • Знакомство с Computer Vision (CV)
      • Краткая история CV
      • Знакомство c Natural Language Processing (NLP)
      • Краткая история NLP
      • Вакансии, основные задачи, и рынок труда
      • Обзор профессии Data Scientist
      • Обзор профессии Machine Learning Engineer
      • Обзор профессии Research Engineer
      • Специализация в Computer Vision или NLP
      • Машинное обучение для программистов
      • AI, Тест Тьюринга и прочая философия
    • Hello Python (for Machine Learning)
      • Типы, циклы, операторы, функции, классы
      • Классические алгоритмы
      • Вычислительная сложность
      • Работа со списками и словарями
      • Библиотеки numpy, pandas
      • Работа с табличными данными
      • Построение графиков и визуализация
      • Массивы и векторы (теория и практика)
      • Работа со строками
      • Решение задач
    • Hello Math (for Machine Learning)
      • Математические нотации
      • Линейная алгебра
      • N-мерные пространства
      • Векторы, матрицы, операторы
      • Математический анализ
      • Производная и частная производная
      • Дифференцирование сложной функции
      • Интеграл и интегральные преобразования
      • Разложение функции (разложение вектора)
      • Теория вероятностей
      • Введение в статистику
    • Linear, Polynomial and Multivariate Regression
      • Задача прогнозирование цены
      • Вывод линейной регрессии
      • Метод наименьших квадратов
      • Функция потерь (Loss Function)
      • Оптимизация функции
      • Градиентный спуск
      • Стохастический градиентный спуск
      • Вывод уравнений для линейной регрессии
      • Статистическое обоснование
      • Максимизация правдоподобия (Регрессия)
      • Программирование и обучение модели
      • Визуализация результатов
      • Data Preprocessing
      • Нормализация данных
      • Расширение регрессии
    • Classification and Logistic regression
      • Знакомство с MNIST
      • Мера сходства
      • Коэффициент Жаккара
      • Евклидово расстояние
      • Косинусное расстояние
      • Метод k-ближайших соседей
      • Деревья принятия решений
      • Train data / Test data
      • Введение в логистическую регрессию
      • Максимизация правдоподобия (Классификация)
      • Loss function и Cross Entropy
    • Computation graphs, PyTorch, TensorFlow and Keras
      • Идея вычислительного графа
      • Обратно-дифференцируемые графы
      • Требования к фреймворкам машинного обучения
      • Линейные операции, активации
      • Написание простого фреймворка
      • Создание и обучение модели
      • Динамические графы
      • Введение в PyTorch
      • Библиотеки машинного обучения
      • PyTorch vs TensorFlow
      • Высокоуровневые надстройки над фреймворком
      • TensorFlow и Keras
      • Сравнение фреймворков
    • Introduction to Neural Networks
      • Перцептрон Розенблатта
      • Математический нейрон Маккаллока — Питтса
      • Многослойные нейронные сети
      • Слои, активации
      • Softmax активация
      • Метод обратного распространения ошибки
      • (optional) Биологические аналогии
    • Обучение без учителя
      • Задачи снижения размерности
      • PCA и сингулярное разложение
      • Нелинейные методы
      • Алгоритм t-SNE
      • Введение в ядерные методы
      • Ядерные методы для повышения размерности
      • Задачи кластеризации
      • Кластеризация методом k-means
      • Иерархическая кластеризация
      • Автокодировщики
      • Задачи автокодировщиков
    • Neural Networks: Learning and Metrics
      • Проблемы нейронных сетей
      • Функции активации
      • Проблема внутреннего сдвига ковариации
      • Методы инициализации сетей
      • Проблема переобучения
      • Методы регуляризации
      • L1 и L2 регуляризации
      • Ансамбли моделей
      • Метод регуляризации Dropout
      • Оценки качества моделей
      • Precision and Recall
      • Прочие метрики
      • Поиск метапараметров
      • Продвинутые методы оптимизации
      • SGD, RMSprop, Adagrad, Adadelta, Adam, Nadam
      • Batch-Normalization
    • Introduction to modern Computer Vision
      • Основные задачи компьютерного зрения
      • Слабые стороны полносвязных сетей
      • Convolution Neural Network
      • Операция свертки
      • Матричное представление операции свертки
      • Связь с интегральными преобразованиями
      • Ядра свертки
      • Сверточные слои
      • Основные параметры сверточных слоев
      • Реализация и анализ сверточных сетей
      • Знакомство с LeNet и AlexNet
      • (optional) Биологические аналогии
      • Интерпретации и визуализации ядер
    • Convolution Neural Network Architectures
      • История сверточных нейронных сетей
      • LeNet-5
      • AlexNet
      • VGG-16 & VGG-19
      • Inception (GoogLeNet, v1-v4)
      • ResNet 2-layer-block (ResNet-18, ResNet-34)
      • ResNet 3-layer-block (ResNet-50, ResNet-101, ResNet-152)
      • Inception-ResNet (v1-v2)
      • ResNeXt
      • DenseNet
      • MobileNet
      • Выводы и тенденции
    • Segmentation and Detection
      • Задачи детекции объектов
      • Задачи семантической сегментации
      • Задачи сегментации сущностей
      • Операции транспонированной свертки
      • Функции потерь для разных задач
      • Алгоритм YOLO
      • R-CNN, Fast R-CNN, Faster R-CNN
    • Introduction to NLP
      • Основные задачи обработки естественного языка
      • Строки и расстояния
      • Базовый препроцессинг текста
      • Части речи (PoS)
      • Токенизация, лемматизация и стемминг
      • Классификация текстов на модели “мешка слов”
      • Взвешивание TF-IDF
      • Дистрибутивная семантика
      • Векторная семантика
      • Term-document matrix
      • Word context matrix
      • Плотные векторы
      • SVD и LSA
      • Word2Vec
    • Recurrent Neural Networks
      • Задачи обработки последовательностей
      • Тексты и временные ряды
      • Моделирование языка
      • Простая рекуррентная сеть VanillaRNN
      • Идея состояния сети
      • Ограниченность и минусы VanillaRNN
      • Идея гейтов
      • Ячейка LSTM
      • Прочие вентильные ячейки и вариации
      • Классификация, генерация
      • Image caption (описание изображений)
      • Введение в нейронный машинный перевод
    • Generative Models
      • Генерация текстов
      • PixelRNN
      • PixelCNN
      • GAN (generative adversarial network)
      • Устройство и обучение GAN
      • Рекомендации по обучению
      • Deep Convolutional GAN
      • Выводы и тенденции
    • Final Project
      • Презентация финального студенческого проекта
      • QA секция

    Бонусы курса

    • Специально снятые дополнительные видеоматериалы

    Выпускники получают сертификат об окончании курса

    Каждый сертификат имеет уникальный номер по которому потенциальный работодатель может проверить его валидность и увидеть базовые показатели успеваемости.

    Преимущества обучения в Компьютерной школе Hillel

    • Группы по 14 человек Преподаватель уделяет время каждому студенту.
    • Преподаватели практики У нас преподают только практикующие специалисты из топовых IT-компаний.
    • Система личных кабинетов Эффективное и удобное обучение.
    • Оперативная служба поддержки студентов Срочный вопрос — своевременное решение.
    • Доступ к видеозаписям занятий Записи уроков остаются у студентов после окончания курса.
    • Практические занятия Большая часть занятий ориентирована на практику.
    • Трудоустройство

      Что мы делаем для того, чтобы вы достигли успеха?

    • Проводим мастер-классы по подготовке резюме и поиску работы

    • Регулярно обновляем программы курсов под требования рынка

    • Приглашаем преподавать только лучших практикующих специалистов

    • Развиваем нашу сеть партнеров среди топовых IT-компаний

    • Наши преподаватели часто сами забирают к себе наших лучших Студентов ;)

    Наши преподаватели и выпускники работают в топовых IT-компаниях мира

    Александр Майстренко
    Александр Майстренко
    В первую очередь хочу оставить свой отзыв для будущих студентов, кто будет выбирать курс по отзывам - я сам с трудом понимал, как можно оценить качество курса перед его прохождением. И конечно же поблагодарить Филиппа Кофмана за материалы, увлекательные лекции, домашки, внеклассную поддержку, организацию дипломной работы и просто за отношение к предмету курса. Также хочу сказать спасибо Hillel за качественную организацию занятий. Коротко про курс: - ОЧЕНЬ много материала и домашних заданий. Нам повезло, что курс растянулся (в связи с ковидом) с 3-х месяцев на 6 месяцев. Только благодаря этому получилось выполнить 100% домашек + полностью закончить диплом. - Курс проводит практикующий Machine-learning research engineer из топ компании на рынке Machine learning. - Филипп влюблен в Machine learning и точно не оставит вас равнодушным. - Нюанс: хоть курс и включает в себя обзорные лекции, но большой упор делается на Deep learning. Если вам нужен курс и практический опыт работы с табличными данными - советую посмотреть другие варианты, где есть много практики с таблицами. - ВАЖНО! готовьтесь учиться дома. Просто прийти и отслушать 3-х часовые лекции — это 20% работы. Кто не любит практическую часть курсов - тот не оценит. Успехов всем будущим студентам!
    Анна Булгакова
    Анна Булгакова
    Цікавий, насичений курс. Готуйтеся до складних домашніх завдань, легко не буде. Але воно того варте.

    Курс отлично подходит для специалистов других направлений, желающих расширить спектр методик, применяемых в своей работе. Охвачен очень широкий круг вопросов, от "чистой математики", до паттернов работы с актуальными, реально применяемыми библиотеками.

    Стиль изложения — сбалансированный. Открыто, насыщено примерами из практики, но без сползания к упрощениям. Сама школа как площадка проведения курса — выше любых похвал.

    Вероніка Вознюк
    Вероніка Вознюк
    Абсолютно прекраснейший курс по Machine Learning. Огромное спасибо преподавателю за его самоотдачу и очень много дополнительной информации в рамках курсах!
    Константин Горяйнов
    Константин Горяйнов
    Доволен школой. Преподаватель очень образован и легко доносит сложную информацию студентам. Огромное спасибо за дополнительные занятия. Общее впечатление 10 из 10.
    Олександра
    Олександра

    Чудовий курс для тих, хто вже має певні початкові знання (ті, що вказані у вимогах до вступу на курс) і хоче визначити для себе певні вектори подальшого руху.

    Курс проходить по всьому потроху і, хоч і не зробить із студента одразу спеціаліста в ML/DL, але дасть певний набір корисний знань і навичок.

    Постійна підтримка і зв'язок з викладачем і HR, наявність всіх матеріалів і домашніх завдань після закінчення курсу, безкоштовна англійська, а також багато додаткових корисних вебіранів і проектів — однозначний привід радити навчання в Hillel.

    В цілому задоволена всім)

    P.S. Із введенням карантину перехід на онлайн-навчання пройшов дуже оперативно і абсолютно зручно)

    Виталий
    Виталий
    Великолепный курс и очень познавательный! Спасибо преподавателю Артёму за понятное донесение материала, за интересный подход к курсу, за то, что откликался на все просьбы студентов. Благодаря этому курс получился целостным и интересным. Во время карантина перешли в онлайн режим, но ничего от этого не потеряли, ибо сохранялось прежнее ощущение полной вовлечённости в курс! В целом всё получилось и ту информацию, которую хотелось получить, я получил, за что и спасибо школе.
    Елизавета
    Елизавета

    Очень понравился курс, спасибо огромное преподавателю Артему! Материал интересный, полезный, преподаватель всегда ориентировался на группу, помогал со всем разбираться)

    Остались только приятные впечатления!

    Во время карантина, вынуждены были перейти на удаленное обучение, было сложновато, конечно, сконцентрироваться, но в целом организация обучения была хорошая)

    Вадим
    Вадим
    Замечательный курс. Было сложно, но при этом очень интересно и полезно.
    Віталій
    Віталій

    Дуже подобається обраний курс, особливо подобається порядок за якими йдуть теми, лекції структуровані та добре підготовлені. Також подобається взаємодія з викладачем, оскільки в разі якихось питань можна зв’язатись, запитати і отримати допомогу.

    Школа отличная, ребята стараются. Преподаватель супер, большой опыт, разбирается в современных трендах машинного обучения. Доступно объясняет. Цена адекватная за то количество занятий что дают.

    Хотелось бы больше занятий на более продвинутые темы. Из 12 занятий — первые три занятия разбирали азы математики, питона. Потом еще 3 занятия основы линейной/логической регрессии. По началу шли очень медленно, а под конец наоборот очень быстро. В итоге конец получился скомканный.

    Хотел бы, чтобы сделали продолжение для продвинутых, где детально разобрали бы на практике темы, поработали над разными аспектами.

    Но в целом, Мише и школе огромный респект и уважуха, благодарю за полученные знания! Они дали хорошую базу, дальше придется осваивать оставшиеся пробелы самостоятельно.

    Дмитрий
    Дмитрий

    Главное достоинство курса — неутолимое желание преподавателя, Михаила Константинова, поделится своими обширными знаниями.

    Часто задаваемые вопросы

    • Какой нужно иметь компьютер, чтобы обучаться на курсе Data Science и Machine Learning?

      Требования к компьютеру для обучения на курсе Data Science и Machine Learning.

      Операционная система:

      • Windows 10 64-бит
      • macOS 10.13 или выше
      • Linux: Ubuntu 16.04 - 20.04

      Процессор* :

      • Минимум intel core i5 4-го поколения
      • Рекомендуется i5 8-го
        *Допустимы аналоги от AMD

      Оперативная память:

      • Минимум 8 Гб
      • Рекомендуется 16 Гб

      Память:

      • Минимально 500 Гб HDD и более
      • Рекомендуется 200 Гб SSD и более
    • Кем работают ваши Преподаватели? Имеют ли они опыт преподавания?

      Мы всегда очень ответственно стараемся подходить к вопросу подбора Преподавателей в нашей Школе. Наши Преподаватели — практикующие специалисты в крупнейших IT-компаниях города. Также они имеют как опыт преподавания в нашей Школе, так и опыт менторства по месту их профессиональной деятельности. В своей манере обучения они делают упор на последние тенденции IT-рынка и исключительно на свой личный опыт для того, чтобы наши Выпускники имели наиболее востребованные знания и опыт работы с конкретными кейсами.

    • Есть ли у вас более ускоренные или интенсивные курсы программирования?

      Программы курсов составляются квалифицированными практикующими специалистами, чтобы каждый человек смог полноценно и целостно усвоить весь теоретический и практический материал. Количество занятий является оптимальным как для изучения материала на уроке, так и для выполнения домашнего задания. Обучение в более интенсивном ключе не даст результата, ориентированного на дальнейшее трудоустройство и без того в довольно короткие сроки.

    • Где можно посмотреть отзывы о вашей Школе в Киеве?

      Вы можете прочесть отзывы наших Студентов и Выпускников на нашем сайте, перейдя по данной ссылке. Еще вы сможете найти отзывы и информацию о нас, зайдя на сайт DOU.ua или же прописав название нашей Школы в Google, где вы также сможете увидеть отзывы о нашей Школе в нашем Google-аккаунте или на Google-картах.

    • Смогу ли я устроиться на работу после прохождения курса Data Science и Machine Learning?

      Программа наших курсов, которые ориентированы на трудоустройство, построена таким образом, что Студент, проходя каждый её пункт, выполняя все домашние задания и следуя всем советам Преподавателя, может рассчитывать на дальнейшее трудоустройство и соответствовать существующим вакансиям на специалиста начального уровня в области выбранного курса.

      Крайне важно помнить о том, что не придерживаясь вышеуказанных принципов, достичь необходимого результата по завершении курса, скорее всего, не представится возможным. Именно поэтому мы не можем заранее вам гарантировать трудоустройство, но мы можем содействовать в этом нашим Выпускникам, которые учились наиболее усердно.

      Наш штатный менеджер по трудоустройству всегда рад в этом помочь нашим Выпускникам, а также ответить на их вопросы, связанные с оформлением резюме и прочим. Также в нашей Школе мы проводим бесплатные занятия с рекрутерами из IT-компаний города, где они дают советы по поиску первой работы в IT-сфере.

    • Где можно уточнить цену обучения на курсах в Киеве?

      Для того, чтобы получить информацию о стоимости того или иного курса, а также задать другие дополнительные вопросы, касающиеся обучения, вы можете:

      • заполнить заявку на бесплатную консультацию;
      • заполнить заявку на запись на курс;
      • связаться с нами, позвонив или написав нам на почту.
    • Существуют ли какие-нибудь скидки или система лояльности, если Студент по завершении одного курса идёт на следующий курс?

      Да, безусловно. Многие наши курсы предусматривают дополнительную систему бонусов для тех Студентов, которые хотят продолжать обучение в нашей Школе.

      Эта система состоит в том, что в конце курса Студенты пишут тест по пройденному материалу или сдают итоговую работу, по итогам которых получают скидку на следующий курс данного направления:

      • Студент, который имеет самый высокий результат получает скидку 25% на дальнейшие курсы;
      • Студент, занявший второе место, получает 15% скидку;
      • Студент, который оказался на третьем месте, получает 10% скидку.

      Все Студенты получают скидку в размере 5% на любой из курсов Школы.

    • Как получить максимальный балл за домашнее задание на курсе Data Science и Machine Learning?

      Выполнение домашних работ, одна из самых важных составляющих обучения. Для того, чтобы получить максимальный балл за домашнее задание, нужно:

      • Выполнить задание в указанные сроки
      • Выполнить все условия задания
      • Выполнить задание без ошибок
      • Пересдача домашнего задания не более одного раза

    Заявка на консультацию

    Оставьте ваши контактные данные, и мы вам обязательно перезвоним!

    Обязательно укажите ваше имя кириллицей

    Обязательно укажите email, по которому мы сможем с вами связаться

    Обязательно укажите телефон в международном формате

    • telegram Telegram
    • viber Viber

    Школа работает с 10:00 до 21:00 по будням и с 10:00 до 19:00 по выходным дням (киевское время, GMT+2).

    Отправлено

    Приобрести подарочный сертификат

    Gift certificate background image Gift certificate background image