Почніть вводити назву курсу або технології

    Нічого не знайдено

    Рус Укр

    Курс Machine Learning and Deep Learning у Києві

    Advanced level
    4.9

    занять

    занятий в неделю

    старт

    За тиждень записалося

    Залишилося

    Машинне навчання здійснило переворот у сучасному світі. Ми отримали інструмент для вирішення завдань, з якими колись справлялася тільки людина. Розпізнавання об'єктів на зображенні і відео, розуміння тексту, генерація реалістичних зображень, високоякісний нейронний машинний переклад. Вирішення цих завдань просто неможливо в рамках «класичного» програмування.

    Курс розглядає не тільки основний технологічний стек професій Data Scientist і Machine Learning Engineer, але і дає глибокі знання в галузях комп'ютерного зору і обробки природної мови. У подробицях будуть розглянуті сучасні нейромережеві архітектури, підходи, фреймворки.

    • Детально розглянути більшість сучасних нейронних мереж
    • Вирішити багато завдань, пов'язаних з розпізнаванням зображень
    • Навчитися використовувати і писати згорткові мережі: від LeNet'a до ResNet'a, рекурентні мережі
    • Виконати проекти, пов'язані з прогнозом цін реальних квартир з lun, з обробкою зображень і аналізом текстів

    Розрахований на IT-фахівців і інженерів будь-якої спеціальності, які знають Python, лінійну алгебру, математичний аналіз і статистику на рівні першого курсу технічного вузу.

    Для запису потрібно пройти тест.

    Програма курсу
    Machine Learning and Deep Learning

    16 занять занять
    Advanced level
    • Introduction to Machine Learning
      • Прев'ю курсу
      • Що таке Machine Learning
      • Основні завдання Machine Learning
      • Основні типи навчання
      • Deep Learning
      • Machine Learning і сучасний світ
      • Знайомство з Computer Vision (CV)
      • Коротка історія CV
      • Знайомство c Natural Language Processing (NLP)
      • Коротка історія NLP
      • Вакансії, основні завдання, і ринок праці
      • Огляд професії Data Scientist
      • Огляд професії Machine Learning Engineer
      • Огляд професії Research Engineer
      • Спеціалізація в Computer Vision або NLP
      • Машинне навчання для програмістів
      • AI, Тест Тьюринга та інша філософія
    • Hello Python (for Machine Learning)
      • Типи, цикли, оператори, функції, класи
      • Класичні алгоритми
      • Обчислювальна складність
      • Робота зі списками і словниками
      • Бібліотеки numpy, pandas
      • Робота з табличними даними
      • Побудова графіків та візуалізація
      • Масиви і вектори (теорія і практика)
      • Робота з рядками
      • Вирішення задач
    • Hello Math (for Machine Learning)
      • Математичні нотації
      • Лінійна алгебра
      • N-мірні простору
      • Вектори, матриці, оператори
      • Математичний аналіз
      • Похідна і окрема похідна
      • Диференціювання складної функції
      • Інтеграл і інтегральні перетворення
      • Розкладання функції (розкладання вектора)
      • Теорія імовірностей
      • Введення в статистику
    • Linear, Polynomial and Multivariate Regression
      • Завдання прогнозування ціни
      • Висновок лінійної регресії
      • Метод найменших квадратів
      • Функція втрат (Loss Function)
      • Оптимізація функції
      • Градієнтний спуск
      • Стохастичний градієнтний спуск
      • Висновок рівнянь для лінійної регресії
      • Статистичне обгрунтування
      • Максимізація правдоподібності (Регресія)
      • Програмування та навчання моделі
      • Візуалізація результатів
      • Data Preprocessing
      • Нормалізація даних
      • Розширення регресії
    • Classification and Logistic regression
      • Знайомство з MNIST
      • Міра подібності
      • Коефіцієнт Жаккара
      • Евклідова відстань
      • Косинусна відстань
      • Метод k-найближчих сусідів
      • Дерева прийняття рішень
      • Train data / Test data
      • Введення в логістичну регресію
      • Максимізація правдоподібності (Класифікація)
      • Loss function і Cross Entropy
    • Computation graphs, PyTorch, TensorFlow and Keras
      • Ідея обчислювального графа
      • Обернено-диференційні графи
      • Вимоги до фреймворків машинного навчання
      • Лінійні операції, активації
      • Написання простого фреймворку
      • Створення і навчання моделі
      • Динамічні графи
      • Введення в PyTorch
      • Бібліотеки машинного навчання
      • PyTorch vs TensorFlow
      • Високорівневі надбудови над фреймворком
      • TensorFlow і Keras
      • Порівняння фреймворків
    • Introduction to Neural Networks
      • Перцептрон Розенблатта
      • Математичний нейрон Маккаллока - Питтса
      • Багатошарові нейронні мережі
      • Шари, активації
      • Softmax активація
      • Метод зворотного поширення помилки
      • (Optional) Біологічні аналогії
    • Навчання без вчителя
      • Завдання зниження розмірності
      • PCA і сингулярне розкладання
      • Нелінійні методи
      • Алгоритм t-SNE
      • Введення в ядерні методи
      • Ядерні методи для підвищення розмірності
      • Завдання кластеризації
      • Кластеризація методом k-means
      • Ієрархічна кластеризація
      • Автокодіровщики
      • Завдання автокодіровщиків
    • Neural Networks: Learning and Metrics
      • Проблеми нейронних мереж
      • Функції активації
      • Проблема внутрішнього зсуву коваріації
      • Методи ініціалізації мереж
      • Проблема перенавчання
      • Методи регуляризації
      • L1 і L2 регуляризації
      • Ансамблі моделей
      • Метод регуляризації Dropout
      • Оцінки якості моделей
      • Precision and Recall
      • Інші метрики
      • Пошук метапараметрів
      • Просунуті методи оптимізації
      • SGD, RMSprop, Adagrad, Adadelta, Adam, Nadam
      • Batch-Normalization
    • Introduction to modern Computer Vision
      • Основні завдання комп'ютерного зору
      • Слабкі сторони повнозв'язних мереж
      • Convolution Neural Network
      • Операція згортки
      • Матричне уявлення операції згортки
      • Зв'язок з інтегральними перетвореннями
      • Ядра згортки
      • Згорткові шари
      • Основні параметри згортальних шарів
      • Реалізація та аналіз згортальних мереж
      • Знайомство з LeNet і AlexNet
      • (Optional) Біологічні аналогії
      • Інтерпретації і візуалізації ядер
    • Convolution Neural Network Architectures
      • Історія згортальних нейронних мереж
      • 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
      • Висновки і тенденції
    • Segmentation and Detection
      • Завдання детекції об'єктів
      • Завдання семантичної сегментації
      • Завдання сегментації сутностей
      • Операції транспонованої згортки
      • Функції втрат для різних завдань
      • Алгоритм YOLO
      • R-CNN, Fast R-CNN, Faster R-CNN
    • Introduction to NLP
      • Основні завдання обробки природної мови
      • Рядки і відстані
      • Базовий препроцессінг тексту
      • Частини мови (PoS)
      • Токенізація, лематизація і стемінг
      • Класифікація текстів на моделі "мішка слів"
      • Зважування TF-IDF
      • Дистрибутивна семантика
      • Векторна семантика
      • Term-document matrix
      • Word context matrix
      • Щільні вектори
      • SVD і LSA
      • Word2Vec
    • Recurrent Neural Networks
      • Завдання обробки послідовностей
      • Тексти і тимчасові ряди
      • Моделювання мови
      • Проста рекуррентна мережа VanillaRNN
      • Ідея стану мережі
      • Обмеженість і мінуси VanillaRNN
      • Ідея гейтів
      • Осередок LSTM
      • Інші вентильні осередки і варіації
      • Класифікація, генерація
      • Image caption (опис зображень)
      • Введення у нейронний машинний переклад
    • Generative Models
      • Генерація текстів
      • PixelRNN
      • PixelCNN
      • GAN (generative adversarial network)
      • Пристрій і навчання GAN
      • Рекомендації з навчання
      • Deep Convolutional GAN
      • Висновки і тенденції
    • Final Project
      • Презентація фінального студентського проекту
      • QA секція

    Випускники отримують сертифікат про закінчення курсу.

    Бонуси курсу

    • Спеціально зняті додаткові відеоматеріали

    Переваги навчання у Комп'ютерній школі Hillel

    • Групи по 14 осіб Викладач приділяє час кожному студенту.
    • Викладачі практики У нас викладають тільки практикуючі фахівці з топових IT-компаній.
    • Система особистих кабінетів Ефективне і зручне навчання.
    • Оперативна служба підтримки студентів Термінові питання - своєчасне рішення.
    • Доступ до відеозаписів занять Записи уроків залишаються у студентів після закінчення навчання.
    • Практичні заняття Велика частина занять орієнтована на практику.
    • Працевлаштування

      Що ми робимо для того, щоб ви досягли успіху?

    • Проводимо майстер-класи з підготовки резюме та пошуку роботи

    • Регулярно оновлюємо програми курсів під вимоги ринку

    • Запрошуємо викладати тільки кращих практикуючих фахівців

    • Розвиваємо нашу мережу партнерів серед топових IT-компаній

    • Наші викладачі часто самі забирають до себе наших кращих Студентів ;)

    Наші викладачі та випускники працюють в топових IT-компаніях світу

    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 курс! Подобається порядок в якому йдуть лекції. Особливо відзначу взаємодію з викладачем - якщо є якісь запитання, то можна зв’язатись та отримати допомогу. Лекцї добре підготовлені та структуровані
    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.

    Часті питання

    • Який потрібно мати комп'ютер, щоб навчатися на курсі Machine Learning and Deep Learning?

      Вимоги до комп'ютера для навчання на курсі Machine Learning and Deep Learning.

      Операційна система:

      • Windows 10 64-біт
      • macOS 10.13 або вище
      • Linux: Ubuntu 16.04 - 20.04

      Процесор* :

      • Мінімум intel core i3 4-го покоління
      • Рекомендується i5 7-го

      Оперативна пам'ять:

      • Мінімум 8 Гб
      • Рекомендується 12 Гб

      Пам'ять:

      • Мінімально 200 Гб HDD і більш
      • Рекомендується 200 SSD і більш

      * Допустимі аналоги від AMD

    • Ким працюють ваші Викладачі? Чи мають вони досвід викладання?

      Ми завжди дуже відповідально намагаємося підходити до питання підбору Викладачів у нашій Школі. Наші Викладачі — практикуючі фахівці в найбільших IT-компаніях міста. Також вони мають як досвід викладання в нашій Школі, так і досвід менторства за місцем їх професійної діяльності. У своїй манері навчання вони роблять упор на останні тенденції IT-ринку і виключно на свій особистий досвід для того, щоб наші Випускники мали найбільш затребувані знання і досвід роботи з конкретними кейсами.

    • Чи є у вас більш прискорені або інтенсивні курси?

      Програми курсів складаються кваліфікованими практикуючими фахівцями, щоб кожна людина змогла повноцінно і цілісно засвоїти весь теоретичний і практичний матеріал. Кількість занять є оптимальноою як для вивчення матеріалу, що викладається на уроці, так і для виконання домашнього завдання. Навчання у більш інтенсивному ключі не дасть того результату, який орієнтований на подальше працевлаштування і без того в досить короткі терміни.

    • Де можна подивитися відгуки про вашу Школу?

      Ви можете прочитати відгуки наших Студентів та Випускників на нашому сайті за цим посиланням. Ще ви зможете знайти відгуки і інформацію про нас на DOU.ua або можете прописати назву нашої Школи у Google, де ви також зможете побачити відгуки про нашу Школу у Google-акаунті або на Google-картах.

    • Чи зможу я влаштуватися на роботу після проходження курсів?

      Програма наших курсів, які орієнтовані на працевлаштування, побудована таким чином, що Студент, проходячи кожен її пункт, виконуючи всі домашні завдання і дотримуючись всіх порад Викладача, може розраховувати на подальше працевлаштування і відповідати існуючим вакансіях на фахівця початкового рівня в області обраного курсу. Вкрай важливо пам'ятати про те, що не дотримуючись вищевказаних принципів, досягти необхідного результату по завершенні курсу, швидше за все, буде неможливо. Саме тому ми не можемо заздалегідь вам гарантувати працевлаштування, але ми можемо сприяти в цьому нашим Випускникам, які навчалися найбільш ретельно. Наш штатний менеджер з працевлаштування випускників завжди радий в цьому допомогти нашим Випускникам, а також відповісти на їхні запитання, пов'язані з оформленням резюме та іншим. Також в нашій Школі ми проводимо безкоштовні заняття з рекрутерами з IT-компаній міста, де вони дають поради з пошуку першої роботи в IT-сфері.

    • Де можна уточнити ціну навчання на курсах?

      Для того, щоб отримати інформацію про вартість того чи іншого курсу, а також задати інші додаткові питання, що стосуються навчання, ви можете:

      • заповнити заявку на безкоштовну консультацію;
      • заповнити заявку на запис на курс;
      • зателефонувати або написати нам на пошту.
    • Чи існують які-небудь знижки або система лояльності, якщо Студент по завершенні одного курсу йде на наступний курс?

      Так, безумовно. Багато наших курсів передбачають додаткову систему бонусів для тих Студентів, які хочуть продовжувати навчання у нашій Школі. Ця система полягає в тому, що в кінці курсу Студенти пишуть тест з пройденого матеріалу або здають підсумкову роботу, за підсумками яких отримують знижку на наступний курс даного напрямку:

      • Студент, який має найвищий результат отримує знижку 25% на подальші курси;
      • Студент, який посів друге місце, отримує 15% знижку;
      • Студент, який виявився на третьому місці, отримує 10% знижку.

      Все Студенти отримують знижку в розмірі 5% на будь-який з курсів Школи.

    • Як отримати максимальний бал за домашнє завдання?

      Виконання домашніх робіт, одна з найважливіших складових навчання. Для того, щоб отримати максимальний бал за домашнє завдання, потрібно:

      • Виконати завдання в зазначені терміни
      • Виконати всі умови завдання
      • Виконати завдання без помилок
      • Перездача домашнього завдання не більше одного разу

    Запит на консультацію

    Залиште ваші контактні дані, і ми вам обов'язково зателефонуємо!

    Обов'язково вкажіть ваше ім'я кирилицею

    Обов'язково вкажіть email, за яким ми зможемо з вами зв'язатися

    Обов'язково вкажіть телефон в міжнародному форматі

    • telegram Telegram
    • viber Viber

    Школа працює з 10:00 до 21:00 по буднях і з 10:00 до 19:00 у вихідні дні (за київським часом, GMT + 2).

    Відправлено

    Придбати подарунковий сертифікат

    Gift certificate background image Gift certificate background image