Machine Learning Beginning

класичний вступний курс із сучасного Machine Learning з акцентом на практику

досвід

знання Python, основ лінійної алгебри та теорії ймовірностей

старт

04 березня 2025

група

25 місць

Тривалість

3 місяці

якщо ви:

01
розробник і хочете перейти в data science
02
data scientist-початківець, ML engineer, data engineer, data analyst

...тоді це метч!

На курсі Machine Learning Beginning ми розглянемо більшість популярних методів: починаючи від простих (але не менш ефективних) лінійних моделей і дерев рішень, закінчуючи складнішими буcтингами та глибокими нейронними мережами.

Лекції супроводжуватимуться прикладами рішень реальних завдань класифікації, регресії, кластеризації з використанням Python з найпопулярніших сфер застосування ML — автоматичного аналізу текстів, передбачення часових рядів, класифікації картинок.

Після закінчення курсу ви матимете не тільки загальне уявлення про те, чим є Machine Learning, а й глибоке розуміння сучасних інструментів і нюансів їхнього використання. А також отримаєте практичний досвід тренування, валідації та тюнінгу різних моделей машинного навчання.

навички,
які опануємо

hard skills:

вміння користуватися базовими інструментами для маніпулювання та аналізу даних
візуалізація даних для виявлення шаблонів, трендів та інсайтів
володіння техніками оцінки моделей машинного навчання
володіння техніками clustering та dimensionality reduction, способами їх практичного застосування
розуміння архітектури та функціонування базових нейронних мереж

soft skills:

гнучкість у впровадженні змін і коригуванні стратегій
аналіз проблем та знаходження ефективних рішень

програма курсу

від основ data science до фреймворків deep learning

вебінари

вт, чт — 19:30

01.intro to data science: AI vs. ML: зрозумійте ключові відмінності та взаємозв'язки між Artificial Intelligence та Machine Learning, досліджуючи їхнє визначення, застосування та важливість у сучасних технологіях
NumPy for numerical computations: навчіться використовувати NumPy для числових обчислень, включаючи операції з масивами, математичні функції та рутинні операції з лінійною алгеброю
exploratory data analysis. pandas: зануртеся у базові інструменти для маніпулювання та аналізу даних
visual data analysis: отримайте навички візуалізації даних для виявлення шаблонів, трендів та інсайтів
02.classic machine learning: evaluating models — validation and metrics: опануйте техніки оцінки моделей машинного навчання, а саме cross-validation, confusion matrices, ROC curves, precision, recall та F1 score
linear and polynomial regression: дослідіть концепції і застосування лінійних та поліноміальних регресійних моделей, їхню реалізацію та інтерпретацію результатів
decision trees: розберіться зі структурою та застосуванням decision trees, їхньою побудовою, інтерпретацією та оцінкою
random forest and bagging: опрацюйте ансамблеві методи, зосереджуючись на random forests та bagging
boosting — XGBoost, LightGBM, CatBoost: визначте передові алгоритми boosting, їх реалізацію і те, як вони покращують точність прогнозування
unsupervised learning — dimensionality reduction and clustering: відкрийте для себе техніки clustering та dimensionality reduction, способи їхнього практичного застосування
feature engineering: побачте на реальних прикладах, як feature engineering може значно вплинути на продуктивність моделі
feature importance: дізнайтесь, як визначати та інтерпретувати важливість ознак у ваших моделях, покращуючи ваше розуміння та здатність приймати обґрунтовані рішення
NLP features: проаналізуйте, як витягувати та використовувати ознаки в Natural Language Processing, включаючи токенізацію, стемінг, лематизацію та техніки векторизації
time series analysis: навчіться правильно працювати з time series data
03.intro to deep learning: basic neural networks: зрозумійте архітектуру та функціонування базових нейронних мереж, включаючи feedforward networks та backpropagation алгоритм
intro to PyTorch: отримайте практичний досвід з PyTorch — провідним фреймворком для deep learning, щоб будувати та тренувати нейронні мережі
DL in NLP: дослідіть застосування deep learning у Natural Language Processing, включаючи техніки для класифікації тексту, аналізу настроїв та моделювання мови
DL in CV: дізнайтеся про методи deep learning для завдань computer vision, а саме класифікацію та сегментацію зображень, і виявлення об'єктів

виділіть час, бо на курсі будуть: живі заняття,real-life завдання,багато фідбеку та ітерацій,курсовий проєкт ісертифікат за здобутки

авторкапрограми
Олена

Касьяненко

Data Science Consultant у monobank.

Понад 10 років у галузі data science, включно з моделями прогнозування, рекомендаційними системами та GenAI моделями. Має досвід роботи у провідних компаніях України та світу, зокрема Toyota (TCEU), monobank, Deloitte London, EVO (Prom.ua) та PrivatBank.

У Toyota Connected Europe розробила та впровадила предиктивні моделі для оптимізації викидів Toyota Fleet для Олімпіади 2024 у Парижі, що дозволило на їх знизити на 20%.

У Deloitte впровадила MLOps фреймворк для однієї з найбільших e-commerce компаній в UK.

У EVO створила data science команду, яка займалася рекомендаційними системами, пошуком фроду, оцінюванням якості контенту для Prom.ua.

У PrivatBank та monobank розробляла моделі прогнозування дефолтів, що дозволило ефективніше керувати кредитними портфелями.

що на вас чекає

навчання по-проджекторному

занурення в основи машинного навчання, методи збору, очищення та попередньої обробки даних
огляд прикладів і застосувань ML, практичний досвід побудови та навчання базових моделей
опанування інструментів для підтримки цілісності даних і ухвалення обґрунтованих бізнес-рішень
сертифікат за здобутки — виконання домашок та успішний захист курсового проєкту

платити помісячно

12 600 грн/міс.

при розтермінуванні вартість курсу 37 800 грн

оплатити за весь курс
зі знижкою

12 000 грн/міс.

при оплаті одним платежем вартість курсу 36 000 грн

визначилися?
ось як потрапити на курс

1зареєструватися
2заповнити анкету
3пройти відбір
4стати студентом

відгуки.
що говорять випускники

Іван Петруха

macOS Developer у MacPaw

“Я дуже задоволений курсом і знаннями, які я отримав. Віталій зрозуміло пояснював усі теми, а програма курсу вибудована грамотно. Курс дійсно практичний. Я дізнався про сучасні способи роботи з різними завданнями машинного навчання. Фідбек по домашнім роботам — регулярний та вчасний. Вони спроєктовані дуже добре, змушують самостійно розібратися з нюансами теми, що допомагає краще засвоювати нові знання. Лекції — оптимальні за тривалістю, багаті на живе спілкування. Також інструменти та платформи, що застосовувалися на курсі давали змогу завжди бути в курсі останніх новин та отримувати вчасні нагадування про заняття або перевірену домашню роботу.

переглянути

Олексій Сидорчук

Senior Project Officer у The International Foundation for Electoral Systems

“Я дуже задоволений проходженням курсу. Отримав багато нової інформації, завдання були корисними і практичними. Сподобалося пояснення матеріалу викладачами, запрошені спікери.

переглянути

Ігор Козлов

Big Data Tech Lead в Levi9 Ukraine

“Добре структурований курс, покриває все необхідне для старту в професії. Куратори дають активний фідбек та допомагають з проєктом, пропонуючи нестандартні та цікаві шляхи вирішення проблеми.

переглянути

92,7% студентів задоволені навчанням у Проджекторі, а 82,2% студентів вдалося реалізувати цілі за допомогою курсів

*Згідно з результатами дослідження Projector.
У дослідженні взяли участь 567 респондентів
серед випускників курсів 2022 року.