Академия Globus. Учись там, где будешь работать.
ML Engineer
Курс для тех, кто хочет получить прикладной опыт создания работающих нейронных сетей и работать в одной из самых востребованных IT-профессий.
Машинное обучение от практикующих преподавателей.
Машинное обучение от практикующих преподавателей.
7 дней бесплатно
Machine learning
нужен для создания нейросетей, которые анализируют все что угодно — от комбинаций в шахматах до максимальной персонификации рекламы в соцсетях. ML позволяет создавать программы для прогнозов, которые работают гораздо лучше человека
Основная цель
курса
курса
Python, математика машинного обучения и нейросетевой анализ изображений" — обучить будущих инженеров для работы в нашей, а также в подобных крупных IT-компаниях.
Лучших забираем в штат и возвращаем деньги за обучение в полном объеме.
Лучших забираем в штат и возвращаем деньги за обучение в полном объеме.
ЧЕМУ НАУЧИТЕСЬ
1
Вы узнаете, что такое машинное обучение, основные задачи и подходы к их решению (data-driven)
2
Научитесь решать задачи регрессионного анализа и классификации объектов разными методами, в том числе и с помощью нейросетей
3
Познакомитесь с необходимой математикой, научитесь использовать графический анализ данных
4
Получите опыт работы с пакетами программ по анализу данных и нейросетевому анализу изображений (SciPy, scikit-learn, Pillow, tensorflow.keras).
КАК ПРОХОДИТ ОБУЧЕНИЕ •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
Курс предназначен для самостоятельного изучения основ Machine Learning и языка программирования Python и представляет собой серию видеоуроков (в общей сложности 180 часов, разбитых на тематические модули) и материалы для практических занятий.
Данный курс состоит из пяти модулей и содержит необходимую теорию и практику по изучению основных моделей машинного обучения и нейросетевых вычислений, реализации нейросетей и анализа изображений. Рассматриваются различные аспекты эффективного решения задачи классификации изображений. Подробно рассматриваются архитектуры сверточных сетей и особенности их обучения и применения.
Вся теория и практика построена вокруг системы кейсов — практико-ориентированных заданий: изображений рукописного текста, фотографий лиц.
В курсе используется только свободно распространяемое ПО.
Вся теория и практика построена вокруг системы кейсов — практико-ориентированных заданий: изображений рукописного текста, фотографий лиц.
В курсе используется только свободно распространяемое ПО.
ПРОГРАММА КУРСА
Модуль 1. МАТЕМАТИКА И ПРОГРАММИРОВАНИЕ В PYTHON
Тема 1.1. Введение в программирование на Python
• Установка языка и среды программирования
• Установка и работа в Jupyter notebook и Google Colab
• Основные структуры данных и синтаксис языка
• Циклы, строки, списки, кортежи, множества, словари
• Функциональное и модульное программирование dPython
Тема 1.2. Матричные вычисления в Python. Графический анализ данных
• Реализация матричных вычислений с использованием библиотеки numpy. Краткий обзор функционала библиотеки
• Построение графиков
• Краткий обзор функционала библиотеки matplotlib
• Установка языка и среды программирования
• Установка и работа в Jupyter notebook и Google Colab
• Основные структуры данных и синтаксис языка
• Циклы, строки, списки, кортежи, множества, словари
• Функциональное и модульное программирование dPython
Тема 1.2. Матричные вычисления в Python. Графический анализ данных
• Реализация матричных вычислений с использованием библиотеки numpy. Краткий обзор функционала библиотеки
• Построение графиков
• Краткий обзор функционала библиотеки matplotlib
Модуль 2. МАТЕМАТИКА МАШИННОГО ОБУЧЕНИЯ
Тема 2.1. Векторные пространства, матрицы и тензорные вычисления. Векторная алгебра. Операции с векторами. Матричная
алгебра. Операции над матрицами. Тензоры. Операции с тензорами. Транспонирование матриц и тензоров. Представление
картинок в виде тензоров. Реализация операций с тензорами с использованием библиотеки numpy.
Тема 2.2. Евклидовы пространства. Длины и нормы векторов и матриц. Скалярное произведение векторов. Свойства
скалярного произведения. Углы между векторами. Меры сходства векторов. Метрики MSE, MAE.
Тема 2.3. Анализ и дифференциальное исчисление функций. Виды и свойства нелинейных функций активации. Производная
функции одной переменной. Свойства производных функций активации. Частные производные ФНП. Градиент. Градиентный
спуск.
Тема 2.4. Вероятностные пространства. ДСВ. Вероятностное распределение. Биномиальное распределение. НСВ.
Равномерное распределение. Нормальное распределение. Меры сходства вероятностных распределений. Расстояние
Куллбака-Лейблера.
алгебра. Операции над матрицами. Тензоры. Операции с тензорами. Транспонирование матриц и тензоров. Представление
картинок в виде тензоров. Реализация операций с тензорами с использованием библиотеки numpy.
Тема 2.2. Евклидовы пространства. Длины и нормы векторов и матриц. Скалярное произведение векторов. Свойства
скалярного произведения. Углы между векторами. Меры сходства векторов. Метрики MSE, MAE.
Тема 2.3. Анализ и дифференциальное исчисление функций. Виды и свойства нелинейных функций активации. Производная
функции одной переменной. Свойства производных функций активации. Частные производные ФНП. Градиент. Градиентный
спуск.
Тема 2.4. Вероятностные пространства. ДСВ. Вероятностное распределение. Биномиальное распределение. НСВ.
Равномерное распределение. Нормальное распределение. Меры сходства вероятностных распределений. Расстояние
Куллбака-Лейблера.
Модуль 3. ВВЕДЕНИЕ В МАШИННОЕ
ОБУЧЕНИЕ
ОБУЧЕНИЕ
Тема 3.1. Основные понятия машинного обучения
Подход к управлению, основанный на данных или что такое машинное обучение. Основные задачи машинного обучения.
Обучение с учителем. Обучение без учителя. Обучение с подкреплением.
Тема 3.2. Построение регрессионных зависимостей
Постановка задачи регрессионного анализа. Критерий минимума наименьших квадратов. Метрики качества модели. Линейная
регрессия. Построение линейной регрессии. Работа с библиотекой scikit-learn.
Тема 3.3. Решение задачи классификации
Постановка задачи классификации. Функции потерь в задачах классификации. Метрики качества. Методы классификации.
Повышение качества классификации. Работа с библиотекой scikit-learn.
Тема 3.4. Решение задач снижения размерностей и кластеризации
Постановка задачи снижения размерности данных. Постановка задачи факторного анализа данных. Линейный ФА: метод PCA.
Снижение размерности: метод tsne. Постановка задачи кластеризации данных. Метод k-средних. Метод иерархической
кластеризации.
Подход к управлению, основанный на данных или что такое машинное обучение. Основные задачи машинного обучения.
Обучение с учителем. Обучение без учителя. Обучение с подкреплением.
Тема 3.2. Построение регрессионных зависимостей
Постановка задачи регрессионного анализа. Критерий минимума наименьших квадратов. Метрики качества модели. Линейная
регрессия. Построение линейной регрессии. Работа с библиотекой scikit-learn.
Тема 3.3. Решение задачи классификации
Постановка задачи классификации. Функции потерь в задачах классификации. Метрики качества. Методы классификации.
Повышение качества классификации. Работа с библиотекой scikit-learn.
Тема 3.4. Решение задач снижения размерностей и кластеризации
Постановка задачи снижения размерности данных. Постановка задачи факторного анализа данных. Линейный ФА: метод PCA.
Снижение размерности: метод tsne. Постановка задачи кластеризации данных. Метод k-средних. Метод иерархической
кластеризации.
Модуль 4. ОСНОВЫ НЕЙРОСЕТЕВЫХ
ВЫЧИСЛЕНИЙ
ВЫЧИСЛЕНИЙ
Тема 4.1. Основы нейросетевых вычислений
История нейросетевых вычислений. Алгебраическая модель нейрона. Функции активации. Модель нейрона с тождественной
функцией активации. Построение линейной регрессии. Модель нейрона с логистической функцией активации. Построение
классификатора. Моделирование булевых операций. Реализация моделей нейронов с использованием библиотеки numpy.
Тема 4.2. Модель многослойной нейросети. Обучение нейрона
Проблема XOR. Модель нейросети, реализующей операцию XOR. Нейросетевое моделирование предикатов. Модель
многослойных классификационных нейросетей. Пример реализации нейросетей с использованием библиотеки
numpy. Обучение нейрона. Правило Хебба. Применение метода градиентного спуска для обучения нейрона. Пример и
иллюстрация обучения нейрона с использованием библиотеки numpy.
Тема 4.3. Обучение многослойной нейросети
Алгоритм обратного распространения ошибки для оптимизации многослойных нейронных сетей. Пример обучения нейросети,
реализующей XOR с помощью алгоритма обратного распространения ошибки с использованием библиотеки numpy.
Стохастический градиентный спуск (СГС). Регуляризация. Подбор параметров нейросети и обучения. Визуализация процесса
обучения нейросетей.
История нейросетевых вычислений. Алгебраическая модель нейрона. Функции активации. Модель нейрона с тождественной
функцией активации. Построение линейной регрессии. Модель нейрона с логистической функцией активации. Построение
классификатора. Моделирование булевых операций. Реализация моделей нейронов с использованием библиотеки numpy.
Тема 4.2. Модель многослойной нейросети. Обучение нейрона
Проблема XOR. Модель нейросети, реализующей операцию XOR. Нейросетевое моделирование предикатов. Модель
многослойных классификационных нейросетей. Пример реализации нейросетей с использованием библиотеки
numpy. Обучение нейрона. Правило Хебба. Применение метода градиентного спуска для обучения нейрона. Пример и
иллюстрация обучения нейрона с использованием библиотеки numpy.
Тема 4.3. Обучение многослойной нейросети
Алгоритм обратного распространения ошибки для оптимизации многослойных нейронных сетей. Пример обучения нейросети,
реализующей XOR с помощью алгоритма обратного распространения ошибки с использованием библиотеки numpy.
Стохастический градиентный спуск (СГС). Регуляризация. Подбор параметров нейросети и обучения. Визуализация процесса
обучения нейросетей.
Модуль 5. НЕЙРОСЕТЕВОЙ АНАЛИЗ
ИЗОБРАЖЕНИЙ
ИЗОБРАЖЕНИЙ
Тема 5.1. Классификация данных. Анализ изображений
Построение и оптимизация многослойной классифицирующей нейросети. Виды слоев нейросети. Dropout. Batch-
нормализация. Пример классификации изображений рукописных цифр.
Основные возможности библиотеки tensorflow.keras/pyTorch по построению и обучению нейросетей. Кейс по распознаванию
изображений рукописных букв.
Тема 5.2. Сверточные сети. Анализ изображений
Сверточные сети. Сверточные и подвыборочные слои. Ядра и смещения. Обучение сверточных сетей. Пример классификации
изображений рукописных букв. Решение кейса по распознаванию изображений рукописных букв с использованием
сверточных сетей и функционала библиотеки tensorflow.keras / pyTorch.
Тема 5.3. Кодирование изображений. Тюнинг нейросетей
Автоэнкодинговые сети. Структура и обучение. Сверточные автоэнкодинговые сети. Пример факторного анализа фотографий
лиц. Обучение нейросетей фильтрации шумов. Пример фильтрации шумов на изображениях рукописных цифр с
использованием сверточных автоэнкодинговых нейросетей и функционала библиотеки tensorflow.keras / pyTorch.
Оптимизация параметров нейросетей. Использование алгоритмов поиска квазиоптимальных параметров.
Тема 5.4. Инструменты предварительной обработки изображений
Библиотека Pillow. Предобработка изображений, повышающая точность работы нейросетей. Фильтрация изображений.
Ресайзинг. Генерация изображений.
Построение и оптимизация многослойной классифицирующей нейросети. Виды слоев нейросети. Dropout. Batch-
нормализация. Пример классификации изображений рукописных цифр.
Основные возможности библиотеки tensorflow.keras/pyTorch по построению и обучению нейросетей. Кейс по распознаванию
изображений рукописных букв.
Тема 5.2. Сверточные сети. Анализ изображений
Сверточные сети. Сверточные и подвыборочные слои. Ядра и смещения. Обучение сверточных сетей. Пример классификации
изображений рукописных букв. Решение кейса по распознаванию изображений рукописных букв с использованием
сверточных сетей и функционала библиотеки tensorflow.keras / pyTorch.
Тема 5.3. Кодирование изображений. Тюнинг нейросетей
Автоэнкодинговые сети. Структура и обучение. Сверточные автоэнкодинговые сети. Пример факторного анализа фотографий
лиц. Обучение нейросетей фильтрации шумов. Пример фильтрации шумов на изображениях рукописных цифр с
использованием сверточных автоэнкодинговых нейросетей и функционала библиотеки tensorflow.keras / pyTorch.
Оптимизация параметров нейросетей. Использование алгоритмов поиска квазиоптимальных параметров.
Тема 5.4. Инструменты предварительной обработки изображений
Библиотека Pillow. Предобработка изображений, повышающая точность работы нейросетей. Фильтрация изображений.
Ресайзинг. Генерация изображений.
КОМУ ПОДОЙДЕТ КУРС
Вы хорошо знакомы со школьным курсом математики
Имеете небольшой опыт программирования на любом языке
Делаете первые шаги в машинном обучении
Хотите разобраться с нейросетями и научиться решать задачи машинного обучения и анализировать данные и изображения
Лучших забираем в штат и возвращаем деньги за обучение в полном объеме.
Получить презентацию курса и консультацию специалиста
ЧТО ДАСТ ВАМ КУРС •
ЧТО ДАСТ ВАМ КУРС •
ЧТО ДАСТ ВАМ КУРС •
ЧТО ДАСТ ВАМ КУРС •
ЧТО ДАСТ ВАМ КУРС •
КАК ПРОХОДИТ ОБУЧЕНИЕ •
ЧТО ДАСТ ВАМ КУРС •
ЧТО ДАСТ ВАМ КУРС •
Машинное обучение позволяет автоматизировать труд человека. ML нужен для создания нейросетей, которые анализируют все что угодно — от комбинаций в шахматах до максимальной персонификации рекламы в соцсетях. ML позволяет создавать программы для прогнозов, которые работают гораздо лучше человека
Инженер машинного обучения, machine learning developer — сейчас одни из самых востребованных профессий на рынке труда разработчиков ПО
Специалистов по машинному обучению прицельно ищут крупные компании, которые используют или планируют использовать алгоритмы искусственного интеллекта в своих проектах
Профессия machine learning developer — одна из самых востребованных на международном рынке
Python — наиболее популярный язык для машинного обучения. Для него написано огромное количество библиотек, применяемых для машинного обучения и анализа данных
4
3
2
1
ЭКСПЕРТЫ КУРСА
Василий Васильков
Founder, CEO
Василий Васильков
Chief Design Officer (CDO)
СТОИМОСТЬ УЧАСТИЯ •
СТОИМОСТЬ УЧАСТИЯ •
СТОИМОСТЬ УЧАСТИЯ •
СТОИМОСТЬ УЧАСТИЯ •
СТОИМОСТЬ УЧАСТИЯ •
СТОИМОСТЬ УЧАСТИЯ •
СТОИМОСТЬ УЧАСТИЯ •
СТОИМОСТЬ УЧАСТИЯ
НАШИ ПАРТНЕРЫ
Академия GLOBUS
Академия GLOBUS — это серия онлайн- и офлайн-курсов по программированию различной степени сложности и длительности от разработчиков одной из ведущих ИТ-компаний России. Мы занимаемся обучением начиная с 2017 года. Каждый год выбираем разные направления подготовки специалистов в зависимости от востребованности на рынке разработки. Программа Академии GLOBUS сформирована с учетом всех современных трендов и требований к ПО. Помимо мощной теоретической базы студенты отрабатывают все знания на практике под руководством опытного наставника.
Цели Академии GLOBUS:
- поиск сотрудников для работы в GLOBUS
- подготовка ИТ-специалистов для компаний-партнеров
- повышение квалификации действующих разработчиков
Цели Академии GLOBUS:
- поиск сотрудников для работы в GLOBUS
- подготовка ИТ-специалистов для компаний-партнеров
- повышение квалификации действующих разработчиков