Онлайн-курс
Machine Learning

Advanced level
4.7

alarm-clock занятий

spiral-calendar занятий в неделю

rocket старт

За неделю записалось

Осталось

Этот курс проводится в формате дистанционного обучения.

Стань Machine Learning Engineer!

На курсе будут рассмотрены различные задачи машинного обучения с точки зрения работы с данными и особенностей различных моделей машинного обучения.

На курсе используется язык Python — самый распространенный на сегодняшний день язык для работы с машинным обучением и анализом данных. На курсе студенты научатся работать с традиционными алгоритмами и методами машинного обучения, нейронными сетями, а также обработкой естественных языков и компьютерным зрением.

Цели курса

  • Научиться подготавливать данные и конструировать признаки
  • Научиться определять типы необходимой модели машинного обучения
  • Научиться выбирать алгоритм оптимизации, регуляризация модели
  • Научиться выбирать метрики для контроля качества модели
  • Визуализировать полученные результаты
1 058 ₴

в месяц при оплате частями на 12 частей

оплата частями без комиссии и процентов от monobank, ПриватБанк, Ощадбанк и ПУМБ

Полная стоимость курса 12 700 ₴

-10% при оплате сразу 11 430 ₴

Промокод

Дополнительные скидки

Списание с текущего баланса

Неиспользованный остаток замороженного курса

Списание с основного счета

Списание с реферального счета

Списание с бонусного счета

Цена курса для вас 11 430

К покупке курса

Рекомендуем пройти тест для проверки знаний

smiling-face-with-sunglasses

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

Изучаемые технологии

  • Python

    Python

  • NumPy

    NumPy

  • Matplotlib

    Matplotlib

  • Scikit-learn

    Scikit-learn

  • Keras

    Keras

Программа онлайн-курса
Machine Learning

alarm-clock 20 занятий
Печать
  • Introduction to Machine Learning

    • Что такое AI/DS/ML/DL?
    • Роль математики в ML
    • Роль статистики в ML
    • Задачи, решаемые ML
    • Этапы реализации проектов по ML
    • Сбор и обработка данных в ML, источники данных и их особенности
    • Обзор основных инструментов в ML с использованием Python
  • Machine Learning Basic Tool: NumPy

    • Что такое NumPy?
    • Типы данных и их атрибуты
    • Массивы
    • Операции с массивами
    • Сортировка массивов
  • Machine Learning Basic Tool: Pandas

    • Что такое Pandas?
    • Структуры и типы данных в Pandas
    • Импорт и экспорт данных в Pandas
    • Обзор данных в Pandas
    • Операции с данными в Pandas
  • Data Visualization

    • Назначение и важность визуального анализа и визуализации данных
    • Первичный анализ данных
    • Модули matplotlib, seaborn, plotly
    • Построение простых графиков одной переменной
    • Построение графиков двух и более переменных
    • Анализ графиков (проверка корреляции, аутлейеров…)
    • Построение новых переменных вручную
    • Построение новых переменных с помощью библиотек
  • Linear Regression & Regularization

    • Линейные модели в задачах регрессии
    • Обучение модели линейной регрессии
    • Линейная регрессия в scikit-learn
    • Градиентный спуск в задачах линейной регрессии
    • Стохастический и mini-batch градиентный спуск
    • Переобучение и недообучение. Гиперпараметры
    • Регуляризация
    • Кросс-валидация
  • Logistic Regression & Machine Learning Metrics

    • Метрики качества
    • Метрики качества в задачах регрессии
    • Метрики качества в задачах классификации
    • Метрики качества в scikit-learn
    • Метрические модели
    • Принцип предсказания в метрических моделях
    • Метрики расстояния KNN классификатор и регрессор в scikit-learn
  • Tree Based Models

    • Идея работы моделей на основе деревьев решений
    • Тренировки дерева решений
    • Критерии остановки и «подстригания» деревьев
    • Деревья решений и категориальные фичи
    • Примеры реализации в scikit-learn
    • Bias-Variance Tradeoff
    • Bagging
    • Boosting
    • Stacking
  • SVM & Clustering

    • SVM
    • Идея алгоритма. Работа на линейно раздельных данных
    • SVM на линейно нераздельных данных
    • Ядро. Метод окна Парзена
    • Кластеризация
    • Unsupervised learning
    • Основные алгоритмы кластеризации
    • k-means
    • Иерархическая кластеризация
    • Кластеризация по плотности объектов
    • Другие методы кластеризации
    • Метрики оценки качества кластеризации
  • Dimensionality Reduction

  • Recommender Systems

  • Introduction to Deep Learning

    • Определение Deep Learning
    • Решаемые задачи с помощью Deep Learning
    • Нейронные сети
    • Основные фреймворки для Deep Learning
    • Знакомство с PyTorch
    • Тензоры
    • Наборы данных и загрузчики данных
    • Построение нейронной сети
    • Автоматическое вычисление производных
    • Оптимизация параметров модели
    • Сохранение и загрузка модели
  • Deep Learning: Layers

    • Linear Layers
    • Convolutional Layers
    • Pooling Layers
    • Normalization Layers
    • Embedding Layers
    • Dropout Layers
    • Special Layers
    • Activation Layers
    • Gradient Explosion
    • Gradient Vanishing
    • Weight Initializations
  • Deep Learning: Optimization

    • Optimization: General Ideas
    • Gradient Descent
    • Stochastic Gradient Descent
    • SGD with Momentum
    • Nesterov Momentum
    • RMSProp
    • Adam
  • Introduction to Computer Vision

    • Image Classification
    • Image Segmentation
    • Object Detection
    • Object Tracking
    • Facial Recognition
    • Pose Estimation
    • Gesture Recognition
    • Optical Character Recognition (OCR)
    • Image Restoration
    • Image Generation
    • OpenCV
    • Albumentations
  • Computer Vision: Classification Models

    • ImageNet Dataset
    • LeNet
    • AlexNet
    • VGG
    • GoogLeNet (Inception v1)
    • Inception v2
    • ResNet
    • DenseNet
    • MobileNet v1
    • MobileNet v2
    • MobileNet v3
    • EfficientNet
    • EfficientNet v2
  • Computer Vision: Segmentations Models

    • Segmentation Datasets
    • Metrics
    • FCN
    • SegNet
    • U-Net
    • LinkNet
    • FPN
    • ENet
    • PSPNet
    • DeepLab v3
    • DeepLab v3+
  • Computer Vision: Object Detection

    • Introduction to Object Detection
    • Object Detection Metrics
    • Non-Maximum Suppression (NMS)
    • Viola-Jones Detectors
    • HOG Detector
    • Deep Learning-based Detection Methods
    • Two and One Stage Detectors
    • R-CNN
    • Fast R-CNN
    • Faster R-CNN
    • FPN
  • Introduction to Natural Language Processing

  • Natural Language Processing: Embeddings

  • Transformers

    • Transformer
    • GPT
    • BERT
    • Vision Transformer (ViT)
  • Reinforcement Learning

В конце курса выполняется дипломный проект.

Бонусы курса

  • Все студенты этого курса могут посещать занятия по английскому языку
  • Тренинг по прохождению собеседования и составлению резюме
  • Тестовое собеседование с техническим специалистом

Добавьте навыки в резюме

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

  • Практические навыки использования Python

  • Использование классических алгоритмов машинного обучения

  • Построение полно-связных нейронных сетей

  • Построение сверточных нейронных сетей для задач компьютерного зрения

  • Использование алгоритмов обучения без учителя

  • Обработка естестественных языков

  • Практические навыки использования фреймворка PyTorch

Как проходит обучение

  • woman-technologist

    Обучение проводится в режиме онлайн-трансляции, а видеозапись сохраняется в личном кабинете.

  • briefcase

    Домашние задания в любое удобное время отправляются через личный кабинет на проверку преподавателю.

  • thumbs-up

    Преподаватель даёт обратную связь с разбором ошибок в домашнем задании.

  • light-bulb

    Вы прорабатываете ошибки и закрепляете пройденный материал.

Преимущества онлайн-обучения в Компьютерной школе Hillel

  • man-raising-hand
    Группы до 20 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

Samsung
Infopulse
EPAM
Ciklum
DataArt
Capgemini Engineering
HYS
MacPaw
Ubisoft
Provectus
Snap Inc.
OWOX
Chapps
3DLOOK
Admixglobal
482.solutions
4Limes
Цитрус
AgileEngine
Andersen
Banda-Tech
Codeska
DIGIS
DMark
EIS Group
IWA Solution
Luxoft
Metro Global Ukraine
Netcracker Technology
Netpeak
Nexteum
Onixsoft
OS-System
Petrosoft
QA Madness
QATestLab
Readdle
Rozetka
SendPulse
Sigma Software
Snapchat
Synebo
Valtech
Volo.Global
ZenBit Tech
eSputnik.com
Uitop
Codica
Курс хорош для начинающих, хорошо обьясняют все основы, включая всю математику, которая происходит под капотом. Покрываются почти все темы современной отрасли машинного обучения. Преподаватель очень хороший, дружелюбно относится к студентам, помогает с вопросами о собственных проектах
Спасибо за курс по machine learning. Несмотря на то, что тема очень большая и сложная, преподавателю удалось просто и понятно объяснить основные идеи и попробовать применить их при выполнении домашних заданий. Кроме того, преподаватель всегда был на связи, помогал разобраться со сложными вопросами и поддерживал интерес к занятиям.
Вячеслав Решетило

Вячеслав Решетило

Всем спасибо, все было супер!) Отдельное спасибо Дмитрию Дегтярёву, Вы отлично объясняете и проводите аналогии, что очень важно и курс отлично зашел. Всем спасибо)

Всё было отлично. Андрей — отличный преподаватель. Очень удачный подбор материала. У меня есть твёрдое ощущение, что я разобрался во всём, что он нам рассказывал. Большое спасибо школе в целом и Андрею персонально.

Oleg G

Oleg G

Огромное спасибо Роману Захарову за практический курс Machine Learning, на котором я понял и опробовал тему в реальных условиях, сделав предсказания продуктов для Magento платформы. Курс был доступен и понятен.

Преподаватель поддерживал на каждом этапе обучения. Надеюсь, это не последний курс в Днепре, и другим счастливчикам удастся его посетить. Спасибо Ираклий (директор школы), за такого реального практика!

Вадим Петров

Вадим Петров

Записался на курс для того, чтобы получить представление о машинном обучении, так как собираюсь развиваться профессионально в данном направлении. Ставил перед собой основные цели — получить начальные знания по теме, понять направления для самостоятельного обучения, данные цели достигнуты полностью.

Плюсы курса:

- краткое, но достаточное освещение теоретической стороны вопроса;

- много практических заданий;

- примеры из реальной практики;

- задания для курсовых работ из предметной области слушателей;

- компетентность преподавателя.

Минусы:

- из-за загрузки преподавателя на основной работе было несколько переносов занятий;

- “ускоренное” прохождение нейронных сетей.

Зрозуміло про складні речі
Дуже вдячний Іллі та Денису за їхні старання та викладання, курс був насиченим, цікавим та в міру складним. Домашні завдання були підібрані чудово для закріплення матеріалу. Впевнений що як новачки, так і досвідчені зможуть взяти для себе багато чого корисного. Загалом враження тільки позитивні, всім рекомендую :)
Хочеться виразити велику вдячність школі за чудову організацію курсу Machine Learning! Його перевагою є те, що він дає змогу за достатньо короткий термін отримати уявлення про основи машинного навчання, які застосовуються на практиці. Богдан, викладач курсу, людина з глибокими знаннями в даній галузі, здатний дуже чітко і грамотно пояснити всю математику, на якій базується дана наука. Домашні завдання дають змогу детальніше розібратися з роботою алгоритмів, викладач завжди готовий допомогти під час їх виконання, підказати, направити в правильному напрямку. Також, хотілось би відмітити, велику захопленість викладача даною областю комп’ютерних наук, що не може не передатися студентам. Чудова подача матеріалів та їх підготовка. Рекомендую даний курс всім хто хоче займатися машинним навчанням. Було б круто побачити продовження даного курсу!!!!
Грета Гержановская

Грета Гержановская

Сам по себе курс достаточно интересный и ёмкий. Были продемонстрированы разные модели и методы машинного обучения. Преподаватель дружелюбный, готов отвечать на вопросы в любое время, даже ночью. Для начала, наверное, очень неплохой вариант. Из минусов. Было много переносов занятий (7 из 19, 4 по личной причине преподавателя). В конце не было дипломного проекта, хотя в программе писалось, что будет. Хотелось получить на последок какую-то задачу, где можно было бы применять те знания, которые были получены. При записи на курс не требовалось знания Python, но лично у меня были с этим сложности и мне приходилось очень много времени тратить в гугле, чтобы выполнить домашние задания.
Навыки и знания, полученные на курсе очень полезны и достаточны как для нахождения первой работы, так и для обычного расширения кругозора. За это большое спасибо Андрею Латышу за интересно подготовленную программу и удачное соотношение практики/теории
Грета Гержановская

Грета Гержановская

Сам по себе курс достаточно интересный и ёмкий. Были продемонстрированы разные модели и методы машинного обучения. Преподаватель дружелюбный, готов отвечать на вопросы в любое время, даже ночью. Для начала, наверное, очень неплохой вариант. Из минусов. Было много переносов занятий (7 из 19, 4 по личной причине преподавателя). В конце не было дипломного проекта, хотя в программе писалось, что будет. Хотелось получить на последок какую-то задачу, где можно было бы применять те знания, которые были получены. При записи на курс не требовалось знания Python, но лично у меня были с этим сложности и мне приходилось очень много времени тратить в гугле, чтобы выполнить домашние задания.

Часто задаваемые вопросы

  • Что нужно знать для обучения на курсе Machine 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 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? 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?

    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?

    Требования к компьютеру для обучения на курсе Machine Learning.

    Операционная система:
     

    • Windows 11 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

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

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

Профессия Machine Learning Engineer