Методы анализа данных
и машинного обучения
и машинного обучения
Форма обучения: очная с применением дистанционных технологий
Объем программы: 128 ак.ч.
Продолжительность обучения: 4 месяца (22 занятия)
Выдаваемый документ: Удостоверение о повышении квалификации МФТИ
Для комфортного обучения на курсе " Методы анализа данных и машинного обучения" вам необходимо обладать базовыми навыками работы в Python и знаниями базовой математики, основ линейной алгебры, математической статистики.
Краткое описание программы:
На курсе мы детально разберем процесс применения машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности.
Вы постигнете искусство предсказательного моделирования и освоите интеллектуальный анализ данных.
В рамках финального проекта вы построите ML-модель для решения своих текущих профессиональных задач.
Содержание программы:
Целевая аудитория курса:
На курсе вы получите:
Объем программы: 128 ак.ч.
Продолжительность обучения: 4 месяца (22 занятия)
Выдаваемый документ: Удостоверение о повышении квалификации МФТИ
Для комфортного обучения на курсе " Методы анализа данных и машинного обучения" вам необходимо обладать базовыми навыками работы в Python и знаниями базовой математики, основ линейной алгебры, математической статистики.
Краткое описание программы:
На курсе мы детально разберем процесс применения машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности.
Вы постигнете искусство предсказательного моделирования и освоите интеллектуальный анализ данных.
В рамках финального проекта вы построите ML-модель для решения своих текущих профессиональных задач.
Содержание программы:
- Базовые алгоритмы (8 занятий)
- Глубокое обучение (6 занятий)
Целевая аудитория курса:
- Желающие освоить новую профессию Data Scientist
- Маркетологи
- Практикующие IT-специалисты
На курсе вы получите:
- Знания и навыки в исследовании и подготовке данных в Машинном обучении, в построении классических алгоритмов для решения реальных задач; в работе с фреймворком глубокого обучения pytorch, в применении универсальных промышленных методик при работе и оптимизации моделей в глубоком обучении
- Практические кейсы на применение классификации, регрессии, создание нейронных сетей в отрасли для таких прикладных задач как: сегментация медицинских изображений, детекция автомобилей, вопросо-ответные системы, распознавание именованных сущностей, распознавание текста (sst), генерация изображений
- Постоянное живое общение с преподавателем МФТИ на вебинарах и в телеграмм-чате группы
- Ответы на все свои вопросы по ходу курса от преподавателя
- Обратную связь на интересные домашние задания