Рус Укр

Курс Machine Learning and Deep Learning у Києві

Advanced level
4.6

alarm-clock занять

spiral-calendar занятий в неделю

rocket старт

За тиждень записалося

Залишилося

Стань Machine Learning Engineer!

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

Цілі курсу

  • Детально розглянути більшість сучасних нейронних мереж
  • Вирішити багато завдань, пов'язаних з розпізнаванням зображень
  • Навчитися використовувати і писати згорткові мережі
  • Виконати проекти, пов'язані з прогнозом цін реальних квартир з lun, з обробкою зображень і аналізом текстів
smiling-face-with-sunglasses

advanced
level

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

Вивчаємо такі технології

  • PyTorch

    PyTorch

  • Python

    Python

  • NumPy

    NumPy

  • Matplotlib

    Matplotlib

  • Scikit-learn

    Scikit-learn

  • Keras

    Keras

Додаткові курси

Програма курсу
Machine Learning and Deep Learning

alarm-clock 16 занять занять
  • 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

Бонуси курсу

  • Спеціально зняті додаткові відеоматеріали

Додайте навички в резюме

  • Базові навички в алгебрі, математичному аналізі, теорії ймовірності та статистики

  • Використання Python в дослідницьких задачах

  • Валідування готових моделей машинного навчання

  • Використання класичних алгоритмів машинного навчання на реальних даних

  • Побудова повно-зв'язкових нейронних мереж

  • Побудова згортальних нейронних мереж для задач комп'ютерного зору

  • Використання алгоритмів навчання без учителя

  • Обробка природних мов

  • Практичні навички використання фреймворка PyTorch

Переваги навчання у Комп'ютерній школі Hillel

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

    Що ми робимо для того, щоб ви досягли успіху?

  • clipboard

    Проводимо майстер-класи з підготовки резюме та пошуку роботи

  • books

    Регулярно оновлюємо програми курсів під вимоги ринку

  • smiling-face-with-sunglasses

    Запрошуємо викладати тільки кращих практикуючих фахівців

  • globe-with-meridians

    Розвиваємо нашу мережу партнерів серед топових IT-компаній

  • direct-hit

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

Наші викладачі та випускники працюють в топових IT-компаніях світу

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 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(

Часті питання

  • Що потрібно знати для навчання на курсі Machine Learning and Deep Learning?

    Математичний аналіз:

    • Похідні
    • Правило диференціювання складної функції
    • Градієнти

    Лінійна алгебра:

    • Вектори
    • Скалярний твір і векторний добуток
    • Функції та лінійні перетворення
    • Множення матриць
    • Зворотні функції
    • Транспонування матриці

    Планування експерименту:

    • Перевірка гіпотез
    • Тести на статистичну значущість
    • Випадковість
    • Імовірність
  • Чи видається сертифікат про закінчення курсів міжнародного рівня?

    Наш сертифікат про проходження курсів внутрішнього зразка. В першу чергу ми вам надаємо знання, що відповідають вимогам існуючих вакансій на ринку праці. В IT-сфері при прийомі на роботу на посаді початкового рівня абсолютно не важливо, які у вас є дипломи і яку сертифікацію ви пройшли. В першу чергу роботодавець на співбесіді буде розглядати те, що ви вмієте і в чому є досвід, а не який диплом ви зможете принести з собою. Це стосується як України, так і компаній, що знаходяться за кордоном.

    До того ж багато наших курсів вам можуть дати знання, які вам знадобляться для проходження сертифікації віддаленим чином через інтернет. Дану сертифікацію можна пройти тільки віддалено і самостійно.

  • Чи будуть задавати домашні завдання? Чи перевіряється виконане завдання?

    Так! Адже це обов'язкова і дуже важлива частина процесу вашого навчання, так як кожен Студент повинен закріпити весь отриманий на занятті матеріал вдома, виконуючи домашні завдання. Кожне задане ДЗ буде перевірятися викладачем, і по ньому ви будете отримувати фідбек. Також деякі завдання розбираються на наступному занятті. Без виконання домашній завдань ніхто не зможе домогтися бажаного результату.

  • 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
  • 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:

    • macOS 10.13 або вище
    • Linux: Ubuntu 16.04 - 20.04

    Процесор* :

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

    Оперативна пам'ять:

    • Мінімум 8 Гб
    • Рекомендується 16 Гб

    Пам'ять:

    • Мінімально 500 Гб HDD і більш
    • Рекомендується 200 Гб SSD і більш

    * Допустимі аналоги від AMD

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