Рус Укр

Курс Machine Learning and Deep Learning в Киеве

Advanced level
4.6

alarm-clock занятий

spiral-calendar занятий в неделю

rocket старт

За неделю записалось

Осталось

Стань Machine Learning Engineer!

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.

Цели курса

  • Детально рассмотреть большинство современных нейронных сетей
  • Решить много задач, связанных с распознаванием изображений
  • Научиться использовать и писать сверточные сети
  • Выполнить проекты, связанные с предсказанием цен реальных квартир с lun, с обработкой изображений и анализом текстов
smiling-face-with-sunglasses

advanced
level

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

Изучаемые технологии

  • PyTorch

    PyTorch

  • Python

    Python

  • NumPy

    NumPy

  • Matplotlib

    Matplotlib

  • Scikit-learn

    Scikit-learn

  • Keras

    Keras

Программа курса
Machine Learning and Deep Learning

alarm-clock 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

Добавьте навыки в резюме

  • Базовые навыки в алгебре, математическом анализе, теории вероятности и статистике

  • Использование Python в исследовательских задачах

  • Валидирование готовых моделей машинного обучения

  • Использование классических алгоритмов машинного обучения на реальных данных

  • Построение полно-связных нейронных сетей

  • Построение сверточных нейронных сетей для задач компьютерного зрения

  • Использование алгоритмов обучения без учителя

  • Обработка естественных языков

  • Практические навыки использования фреймворка PyTorch

Преимущества обучения в Компьютерной школе Hillel

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

    Что мы делаем для того, чтобы вы достигли успеха?

  • clipboard

    Проводим мастер-классы по подготовке резюме и поиску работы

  • books

    Регулярно обновляем программы курсов под требования рынка

  • smiling-face-with-sunglasses

    Приглашаем преподавать только лучших практикующих специалистов

  • globe-with-meridians

    Развиваем нашу сеть партнеров среди топовых IT-компаний

  • direct-hit

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

Наши преподаватели и выпускники работают в топовых IT-компаниях мира

Кирилл Дубовецкий
Кирилл Дубовецкий
Майже кожне заняття переноситься (в основному за це не вибачаються, просто ставлять перед фактом в той же день). Викладач рекомендує літературу з фактологічними помилками, а коли я йому про це пишу, він просто читає і ігнорує. В лекційних заняттях шкільна комбінаторика, а розподіли імовірностей залишаються на домашнє опрацювання
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.

Часто задаваемые вопросы

  • Что нужно знать для обучения на курсе Machine Learning and Deep Learning?

    Математический анализ:

    • Производные
    • Правило дифференцирования сложной функции
    • Градиенты

    Линейная алгебра:

    • Векторы
    • Скалярное произведение и векторное произведение
    • Функции и линейные преобразования
    • Умножение матриц
    • Обратные функции
    • Транспонирование матрицы

    Планирование эксперимента:

    • Проверка гипотез
    • Тесты на статистическую значимость
    • Случайность
    • Вероятность
  • Выдается ли сертификат об окончании курса Machine Learning and Deep Learning международного уровня?

    Наш сертификат о прохождении курсов внутреннего образца. В первую очередь мы вам предоставляем знания, отвечающие требованиям существующих вакансий на рынке труда. В IT-сфере при приеме на работу на должности начального уровня абсолютно не важно, какие у вас есть дипломы и какую сертификацию вы прошли. В первую очередь работодатель на собеседовании будет рассматривать то, что вы умеете и в чём есть опыт, а не какой диплом вы сможете принести с собой. Это касается как Украины, так и компаний, находящихся за границей.

    К тому же многие наши курсы вам могут дать знания, которые вам понадобятся для прохождения сертификации удаленным образом через интернет. Данную сертификацию можно пройти только удаленно и самостоятельно.

  • Будут ли задавать домашние задания на курсе Machine Learning and Deep Learning? Проверяется ли выполненное задание?

    Да! Ведь это обязательная и очень важная часть процесса вашего обучения, так как каждый Студент должен закрепить весь полученный на занятии материал дома, выполняя домашние задания. Каждое заданное ДЗ будет проверяться преподавателем, и по нему вы будете получать фидбэк. Также некоторые задания разбираются на следующем занятии. Без выполнения домашний заданий никто не сможет добиться желаемого результата.

  • Как получить максимальный балл за домашнее задание на курсе Machine Learning and Deep 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
  • Какой нужно иметь компьютер, чтобы обучаться на курсе Machine Learning and Deep Learning?

    Требования к компьютеру для обучения на курсе Machine Learning and Deep Learning.

    Операционная система:

    • 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

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