ML-инженер

На курсе вы получите все необходимые навыки для работы в области машинного обучения — от базовой обработки данных до построения и внедрения моделей.

Вы научитесь работать с ключевыми библиотеками Python: Pandas, NumPy, Matplotlib и Scikit-learn, а также освоите современные ML-фреймворки PyTorch и TensorFlow. В процессе обучения вы будете анализировать реальные датасеты, визуализировать данные, строить и оптимизировать модели, делать прогнозы и принимать решения на основе данных.

Курс сфокусирован на практике и даст вам уверенность в применении машинного обучения для решения задач в бизнесе, науке и технологиях.

ML-инженер

На курсе вы получите все необходимые навыки для работы в области машинного обучения — от базовой обработки данных до построения и внедрения моделей.

Вы научитесь работать с ключевыми библиотеками Python: Pandas, NumPy, Matplotlib и Scikit-learn, а также освоите современные ML-фреймворки PyTorch и TensorFlow. В процессе обучения вы будете анализировать реальные датасеты, визуализировать данные, строить и оптимизировать модели, делать прогнозы и принимать решения на основе данных.

Курс сфокусирован на практике и даст вам уверенность в применении машинного обучения для решения задач в бизнесе, науке и технологиях.

1. Python
Начнете работать в специальной программе - среде разработки Jupyter Notebook. Проделаете первые шаги в изучении языка программирования Python. Напишите свои первые строчки кода.
2. NumPy и Pandas
Научитесь работать с переменными и их использовать в написании кода. Познакомитесь с особенностями работы со строками и числами.
3. Анализ данных
Научитесь писать программы с применением пользовательского ввода данных, т.е. сможете делать запросы пользователям для ввода ими своих данных.
4. Машинное обучение
Научитесь применять условные конструкции (if, elif, else) для избирательного запуска кода. Сможете использовать ветвления для создания деревьев решений.
5. Валидация модели и подготовка данных
Научитесь использовать циклы, в том числе бесконечные циклы для автоматизации действий, работать с коллекциями данных (списки, строки) и контролировать выполнение циклов с помощью условных операторов и функций.
6. Обучение с учителем. Регрессия и классификация
Научитесь создавать и изменять списки, добавлять, удалять элементы, а также выполнять различные операции (поиск, сортировка, перебор) для эффективной работы с данными в списках.
7. Деревья решений
Научитесь использовать конструкцию list comprehensions для создания и обработки списков с помощью компактного и эффективного синтаксиса, а также выполнять фильтрацию и преобразование данных в одном выражении.
8. Обучение без учителя
Научитесь работать с кортежами и словарями: создавать, изменять и получать доступ к элементам, а также использовать основные операции (добавление, удаление, поиск) для эффективного управления данными.
9. Искусственные нейронные сети (NLP, RecSys, CV)
Научитесь создавать функции для организации кода, использовать параметры и возвращаемые значения, а также собирать функции в целые программы для решения более сложных задач.
10. Деплоймент модели
Изучите основы асинхронного программирования с использованием библиотеки asyncio. Научитесь работать с асинхронными задачами и событиями, а также оптимизировать программы для работы с большими объемами данных.

1. Python
Изучите базовые конструкции языка Python, включая работу с различными типами данных (строки, числа, списки, кортежи, множества, словари). Ознакомьтесь с основными операторами и функциями, а также научитесь работать в среде Jupyter Notebook.
2. NumPy и Pandas
Студенты изучат различные типы коллекций (списки, кортежи, множества, словари), а также освоят работу с циклами (for, while) и условными операторами (if, else, elif). Модуль поможет эффективно обрабатывать данные, строить логические конструкции и оптимизировать работу с коллекциями для решения практических задач.
3. Анализ данных
Изучите создание функций, включая аргументы, возвращаемые значения и область видимости переменных. Научитесь работать с модулями и пакетами, а также использовать встроенные библиотеки Python для упрощения разработки.
4. Машинное обучение
Освоите основы обработки ошибок и исключений в Python. Узнаете, как использовать конструкции try, except, finally, для управления ошибками, а также создавать собственные исключения.
5. Валидация модели и подготовка данных
Погрузитесь в объектно-ориентированное программирование. Научитесь создавать и использовать классы и объекты, понимать наследование, инкапсуляцию и полиморфизм, а также разрабатывать собственные методы и атрибуты.
6. Обучение с учителем. Регрессия и классификация
Студенты научатся создавать и использовать модули и пакеты в Python для организации кода. Изучат принципы импорта, разбиения проектов на несколько файлов, а также работу с внешними библиотеками. Модуль поможет улучшить структуру проектов и упростить их поддержку.
7. Деревья решений
Научитесь использовать конструкцию list comprehensions для создания и обработки списков с помощью компактного и эффективного синтаксиса, а также выполнять фильтрацию и преобразование данных в одном выражении.
8. Обучение без учителя
Студенты познакомятся с основами многопоточности, научатся создавать и управлять потоками, а также разберутся в принципах синхронизации. Модуль охватывает основные концепции, такие как конкуренция, блокировки и безопасность данных, а также показывает, как эффективно использовать несколько потоков для ускорения выполнения задач.
9. Искусственные нейронные сети (NLP, RecSys и CV)
Студенты освоят создание и управление потоками с помощью библиотеки threading, научатся работать с синхронизацией потоков, блокировками и предотвращением гонок данных. Модуль поможет улучшить производительность приложений, эффективно используя многозадачность для параллельной обработки задач.
10. Деплоймент модели
Изучите основы асинхронного программирования с использованием библиотеки asyncio. Научитесь работать с асинхронными задачами и событиями, а также оптимизировать программы для работы с большими объемами данных.