logo-hibrain

Machine Learning Pro + Deep Learning

Лучшие студенты курса получат возможность пройти стажировку в компании EORA.

  • Площадка:SkillFactory
  • Продолжительность:20 недель
  • Дата:29 июня
  • Стоимость:47 900 рублей
Оставить заявку
Machine Learning Pro + Deep Learning

О курсе

В рамках комплекта курсов слушатели получат продвинутые знания о машинном и глубоком обучении.

Мы изучаем:

course-info
  • ml
    ml
  • keras
    keras
  • tensorflow
    tensorflow

Кому подойдет курс

  • Курс подойдет начинающим Data Scientists, программистам и аналитикам, работающим с Python.

Необходимые навыки

  • Для обучения на курсе необходимо базовое знание языка Python.

Эксперты

Друзья HiBrain — ведущие IT-компании. Вместе с ними мы разрабатываем программы курсов, чтобы наши слушатели получили самые актуальные знания и навыки. Эксперты из компаний-партнёров помогают нам в подготовке практических кейсов и даже принимают экзамены у выпускников.

  • Эмиль Магеррамов
    Эмиль Магеррамов
    COO Data Lab, компания EORA
  • Антон Киселев
    Антон Киселев
    Head of R&D, компания EORA
  • Сергей Веренцов
    Сергей Веренцов
    CTO, компания EORA
  • Андрей Зимовнов
    Андрей Зимовнов
    Старший разработчик в Яндекс.Дзен
  • Дмитрий Коробченко
    Дмитрий Коробченко
    Deep Learning R&D Engineer, NVIDIA

Карьера

Выпускники курсов HiBrain получают уникальную возможность применить новые знания: компании-партнёры проекта ждут наших слушателей на стажировки и предлагают трудоустройство.

    Программа курса

    Вводный модуль направлен на знакомство с основами Machine learning, изучение практических кейсов и базовых алгоритмов.

    Слушатели познакомятся с типами данных, средствами их очистки обогащения, а также освоят feature engineering.

    Студентов ждет работа с линейной и логистической регрессией, границами применимости, аналитическим выводом и регуляризацией.

    Блок направлен на освоение и применение различных методов обучения без учителя.

    В рамках модуля слушатели изучат решающие деревья, их свойства и варианты использования для решения задач регрессии.

    Студенты изучат особенности ансамблей деревьев, применят навыки бустинга и работы с ансамблями.

    Студенты изучат принципы разбиения выборки, недо- и переобучение, оценят модели по различным метрикам качества, научатся визуализировать процесс обучения.

    Студентов ждёт работа с анализом временных рядов в ML, линейными моделями и XGBoost.

    Блок направлен на изучение методов построения рекомендательных систем, освоение SVD-алгоритмов и оценку качества рекомендаций обученной модели.

    Итогом курса станет применение изученных методов и технологий для получения максимальной точности предсказаний модели на kaggle.

    В рамках расширенного практического курса слушатели создадут нейронные сети для распознавания и обработки рукописных текстов, изображений, естественной речи, научатся работать со скоростью и производительностью сетей и разработают несколько проектов для своего портфолио.

    course-program