Главная
Курсы
Искусственный интеллект

Интенсив по Data science

направление:

вендор: Академия Искусственного Интеллекта

Даты проведения курса

Курс "Интенсив по Data Science" рассчитан на обучение с нуля для тех, кто хочет освоить профессию data scientist.
На начальном этапе все участники получат стартовые знания по Python для того, чтобы успешно справиться обучением и пройти его до конца.
Вы получите необходимые знания и навыки в области статистики, математики, программирования, а также познакомитесь с самыми актуальными и перспективными технологиями, такими как глубокое обучение и нейронные сети.

На курсе Вы научитесь:

Умению программировать на Python

Использовать современные библиотеки для анализа данных и линейной алгебры

Использовать на практике теорию вероятностей и знания статистики

Понимать процессы протекающие в машинном обучении используя математический анализ

Проводить разведочный анализ данных и инжиниринг данных

Использовать как самые простые и ординарные алгоритмы машинного обучения, так и сложные

Писать собственные нейронные сети в computer vision и nlp

Решать задачи из реальной жизни

Не бояться проходить собеседования при поиске работы

Необходимая предварительная подготовка:
• Elementary знание английского
• Знание школьной программы по математике

Формат курса:
Занятия проходят в дистанционном формате в вечернее время 2 раза в неделю с 18-19 часов по Мск.

Преподаватель курса - Зубоченко Антон

Аудитория курса:

• Новичкам. Даже если вы никогда не работали в IT, вы получите современную и востребованную специальность.

• Python программисты. Если вы устали от той области в которой работаете и хотите освоить что-то новое, то мы поможем вам это сделать.

• IT-специалистам. Если вы хотите лучше понимать коллег и говорить с ними на одном языке.

Программа курса

Введение в Python

История языка, его применение и особенности.
Установка Python и основные инструменты разработки: Anaconda, Jupyter Notebook, PyCharm.
Синтаксис языка: переменные, типы данных, операторы, функции.
Условные конструкции и циклы: if-else, for, while.
Структуры данных: списки, кортежи, множества, словари.
Работа с файлами и директориями: чтение, запись, перемещение и удаление.
Обработка исключений: try-except.
Модули и пакеты: создание, импорт и использование.
ООП в Python: классы, объекты, наследование.
Каждая тема будет сопровождаться практическими заданиями для закрепления полученных знаний и умений.

Линейная алгебра, numpy и pandas

Введение в линейную алгебру
Определения и основные понятия
Системы линейных уравнений
Матрицы и операции с матрицами
Работа с библиотекой NumPy:
Создание массивов NumPy
Операции над массивами
Индексирование и срезы массивов
Функции для работы с массивами
Работа с библиотекой Pandas
Введение в Pandas и структуры данных
Создание DataFrame и Series
Обработка и очистка данных
Сводные таблицы и агрегирование данных
Применение линейной алгебры в машинном обучении:
Работа с данными с помощью NumPy и Pandas

Введение в статистику и теорию вероятностей

Определение понятий статистики и вероятности
Общие принципы статистической обработки данных
Основные принципы теории вероятностей
Описательная статистика
Расчет основных характеристик данных: среднее, медиана, мода, дисперсия, стандартное отклонение
Вероятность
Определение понятия вероятности
Расчет вероятности событий
Условная вероятность и формула Байеса
Распределения вероятностей: дискретные и непрерывные
Гипотезы и их проверка
Уровень значимости и p-value
Корреляционный анализ
Корреляция и коэффициент корреляции
Построение корреляционной матрицы

Математический анализ

Введение в математический анализ
Основные понятия математического анализа: функции, пределы, производные, интегралы.
Пределы и непрерывность: определение предела функции, свойства пределов функций, непрерывность функции и ее свойства.
Производные и дифференцирование: определение производной функции, правила дифференцирования, геометрический смысл производной.
Практические задания: решение простых задач по математическому анализу и линейной алгебре с помощью Python и библиотеки NumPy

Градиентная оптимизация

Введение в градиентную оптимизацию
Что такое оптимизация и зачем она нужна
Основы градиентной оптимизации:
Что такое градиент и как он используется в оптимизации: простейший пример градиентного спуска
Основные методы градиентной оптимизации: градиентный спуск и стохастический градиентный спуск
Регуляризация в градиентной оптимизации: L1-регуляризация, L2-регуляризация
Применение градиентной оптимизации в машинном обучении
Примеры использования градиентной оптимизации в реальных задачах

Разведочный анализ данных

Введение в разведочный анализ данных: определение, цели и примеры.
Подготовка данных: импорт, очистка, заполнение пропусков и обработка выбросов.
Визуализация данных: гистограммы, диаграммы рассеяния, ящики с усами, тепловые карты.
Описательные статистики: среднее значение, медиана, мода, стандартное отклонение.
Корреляционный анализ: коэффициент корреляции, матрица корреляции.
Предварительный анализ данных: анализ распределения признаков, обнаружение выбросов, проверка гипотез.
Интерактивный разведочный анализ данных: использование библиотек Python, таких как Pandas, Matplotlib и Seaborn.
Примеры применения разведочного анализа данных в реальных проектах.

Введение в машинное обучение и k-Nearest Neighbors (k-NN)

Введение в машинное обучение: определение, цели и примеры.
Типы задач машинного обучения: классификация, регрессия и кластеризация.
Основные понятия машинного обучения: признаки, метки, обучение с учителем и без учителя.
Метод k-NN: определение, основные шаги и примеры.
Примеры использования метода k-NN в реальных проектах.
Разбиение выборки на обучающую и тестовую части: определение, стратегии и примеры.
Оценка качества модели: метрики точности, полноты, F1-меры и ROC-кривой.

Линейная регрессия

Введение в линейную регрессию: определение, цели и примеры.
Основные понятия линейной регрессии: зависимая и независимые переменные, коэффициенты регрессии, смещение и дисперсия.
Простая линейная регрессия: определение, формула и примеры.
Множественная линейная регрессия: определение, формула и примеры.
Метод наименьших квадратов: определение, формула и примеры.
Обучение модели линейной регрессии: определение, процесс обучения, подбор параметров модели.
Оценка качества модели: метрики MAE, MSE, RMSE, R2.
Регуляризация модели: L1, L2 регуляризация.
Примеры использования линейной регрессии в реальных проектах.

Метод опорных векторов (SVM)

Введение в SVM: определение, цели и примеры.
Основные понятия SVM: гиперплоскость, опорные векторы, мягкий и жесткий отступы.
Линейная SVM: определение, формула и примеры.
Ядерная SVM: определение, формула и примеры.
Разбиение выборки на обучающую и тестовую: определение, стратегии и примеры.
Обучение модели SVM: определение, процесс обучения, подбор параметров модели.
Оценка качества модели: метрики точности, полноты, F-мера, ROC-кривая, AUC.
Примеры использования SVM в реальных проектах.
Регуляризация модели SVM: L1, L2 регуляризация.
Практические примеры и упражнения.

Решающие деревья

Введение в решающие деревья: определение, цели и примеры.
Основные понятия решающих деревьев: узел, лист, корень, глубина дерева, информационный критерий.
Классификационные деревья: определение, формула и примеры.
Регрессионные деревья: определение, формула и примеры.
Процесс обучения решающего дерева: алгоритм построения дерева, критерии информативности, отбор признаков.
Практические примеры и упражнения.
Ограничения и проблемы решающих деревьев: переобучение, низкая устойчивость к шуму и выбросам.
Решение проблем решающих деревьев: отсечение дерева, стрижка дерева, ансамблирование.

Ансамбли: Random Forest, XGBoost, CatBoost, LGBM

Введение в ансамбли: определение, цели и примеры.
Определение, принцип работы, алгоритм построения.
Преимущества и недостатки Random Forest, XGBoost, CatBoost, LightGBM.
Сравнение алгоритмов: какой выбрать для конкретной задачи.
Bagging, boosting и stacking.
Практические примеры и упражнения.
Ограничения и проблемы ансамблей.
Решение проблем ансамблей: калибровка вероятностей, настройка параметров.
Заключение и дискуссия: обсуждение наиболее интересных и важных аспектов ансамблей в машинном обучении.

Обучение без учителя: t-SNE, PCA, K-Means

Введение в обучение без учителя: определение, цели и примеры.
Кластеризация: определение, принцип работы, алгоритмы кластеризации.
Примеры задач кластеризации: сегментация покупателей, группировка новостей, идентификация образцов.
Размерностьностьность: определение, проблемы, методы сокращения размерности.
Метод главных компонент (PCA): определение, принцип работы, алгоритм, примеры применения.
t-SNE: определение, принцип работы, алгоритм, примеры применения.
K-Means: определение, принцип работы, алгоритм, примеры применения.
Оценка качества в обучении без учителя.
Недостатки и ограничения методов обучения без учителя.
Практические примеры решения задач с помощью обучения без учителя.
Обзор инструментов для работы с данными и реализации методов обучения без учителя.

Введение в нейросети и PyTorch

Введение в нейросети: определение, история, принцип работы.
Примеры задач, решаемых с помощью нейросетей: классификация изображений, распознавание речи, машинный перевод и другие.
Основные компоненты нейросети: слои, функции активации, оптимизаторы и функции потерь.
Введение в PyTorch: история, основные концепции, инструменты и преимущества.
Тензоры в PyTorch: определение, типы, создание и преобразование тензоров.
Операции в PyTorch: математические операции, операции с тензорами, генерация случайных чисел и другие.
Создание и обучение нейросетей с помощью PyTorch: создание модели, определение функции потерь, выбор оптимизатора, обучение модели, оценка результатов.
Обзор других фреймворков для работы с нейросетями: TensorFlow, Keras, Theano, Caffe и другие.
Написание собственной реализации нейронной сети на PyTorch.
Тенденции развития нейросетевых технологий и перспективы их применения в будущем.

Сверточные нейронные сети

Введение в сверточные нейронные сети (CNN): определение, принцип работы и примеры применения.
Архитектуры CNN: простые и глубокие модели, архитектура AlexNet, VGG, GoogLeNet, ResNet.
Концепция свертки и пулинга: определение, виды свертки и пулинга, их роль в улучшении качества модели.
Примеры задач, решаемых с помощью CNN: классификация изображений, распознавание лиц, обнаружение объектов и другие.
Регуляризация в нейронных сетях: определение, принцип работы, L1 и L2 регуляризация.
Dropout и Batch Normalization: определение, роль в регуляризации, примеры использования.
Аугментация данных: определение, методы аугментации, их роль в улучшении качества модели.
Обучение CNN с помощью PyTorch: создание модели, определение функции потерь, выбор оптимизатора, обучение модели, оценка результатов.
Примеры решения задач с помощью CNN и PyTorch: классификация изображений с помощью CNN, распознавание лиц с помощью глубоких сверточных нейронных сетей.
Тонкости использования PyTorch для обучения CNN: работа с GPU, сохранение и загрузка моделей, визуализация результатов и отладка.
Обзор других фреймворков для работы с CNN: TensorFlow, Keras, Theano, Caffe и другие.
Реализация своей собственной модели CNN на PyTorch.
Тенденции развития CNN и перспективы их применения в будущем.

Transfer Learning

Введение и понятие Transfer Learning
Применение Transfer Learning в различных задачах
Преимущества и недостатки Transfer Learning
Предобученные модели для Computer Vision
Предобученные модели для Natural Language Processing
Fine-tuning предобученных моделей
Реализация Transfer Learning на PyTorch на практике
Практические примеры Transfer Learning в различных областях (Computer Vision, NLP)
Ограничения и риски Transfer Learning в реальных проектах
Best practices для использования Transfer Learning

Классическое NLP, эмбеддинги и BERT

Введение в NLP, определение NLP и его применение
Ключевые понятия: токенизация, лемматизация, стемминг, стоп-слова.
Предобработка текста: очистка данных от шума и мусора; токенизация и обработка текста, извлечение признаков из текста.
Векторные представления слов: one-hot encoding, embedding (Word2Vec, fastText, GloVe), Bag-of-Words (BoW), TF-IDF
Рекуррентные нейронные сети (RNN)
Что такое BERT и для чего его используют
Архитектура BERT
Обучение BERT на больших корпусах данных
Примеры применения BERT в NLP.
Использование BERT для классификации текстовых данных и задачи NER
Возможные направления дальнейшего изучения NLP.

Интенсив по Data science

Аудитория курса:

Заказ Обратного звонка