Профессия Machine Learning Engineer

15 занятий

• Введение в Data Science и Machine Learning
• Data Science Process and Frameworks
• Предварительная обработка данных
• Прогнозирование и классификация
• Кластеризация и рекомендательные алгоритмы
• Имплементация моделей машинного обучения
• Защита курсового проекта

16 занятий

• Введение в машинное обучение и Data Science
• Основы языков программирования Python и R для Data Science
• Функциональное программирование в Python и R
• Исследование и подготовка данных к анализу
• Визуализация данных в R и Python
• Основные понятия статистического анализа
• Типичные проблемы в подготовке данных к анализу
• Базовые регрессионные модели
• Базовые модели классификации
• Базовые модели кластеризации и снижения размерности
• Деревья решений и ансамбли
• Методы улучшения качества моделей машинного обучения
• Введение в нейронные сети. Нейронные сети для классификации изображений
• Прогнозирование временных рядов
• Документация Data Science проектов, Data Science in prod
• Практикум по улучшению качества моделей

20 занятий

• Введение в Data Science, Machine Learning и Deep Learning
• Современные нейронные сети
• Сверточные нейронные сети
• Обработка изображений и их аугментация
• Transfer Learning для классификации
• Выявление объектов
• Сегментация изображений
• Генеративно-соревновательные нейронные сети
• Обработка естественного языка
• Feature engineering для NLP
• Word Embeddings
• Sequence models
• Transfer Learning для NLP
• Моделирование тем и реферирования текстов
• Автоматизация ответов на вопросы через нейронные сети
• Прогнозирование временных рядов с помощью нейронных сетей
• Рекуррентные нейронные сети для временных рядов
• Улучшение глубоких нейронных сетей
• TensorFlow для продакшн
• Презентации курсовых проектов