Machine Learning Beginning

классический вводный курс по современному Machine Learning с упором на практику

опыт

знание Python, основ линейной алгебры и теории вероятностей

старт

04 марта 2025 г.

группа

25 мест

длительность

3 месяца

если вы:

01
разработчик и хотите перейти в data science
02
начинающий data scientist, ML engineer, data engineer, data analyst

...тогда это мэтч!

На курсе Machine Learning Beginning мы рассмотрим большинство популярных методов: начиная от простых (но не менее эффективных) линейных моделей и древ решений, заканчивая более сложными буcтингами и глубокими нейронными сетями.

Лекции будут сопровождаться примерами решений реальных задач классификации, регрессии, кластеризации с использованием Python из наиболее популярных сфер применения ML — автоматического анализа текстов, предсказания временных рядов, классификации картинок.

По окончанию курса вы будете иметь не только общее представление о том, чем является Machine Learning, но и глубокое понимание современных инструментов и нюансов их использования. А также получите практический опыт тренировки, валидации и тюнинга различных моделей машинного обучения.

навыки,
которыми овладеем

hard skills:

умение пользоваться базовыми инструментами для манипулирования и анализа данных
визуализация данных для обнаружения шаблонов, трендов и инсайтов
владение техниками оценки моделей машинного обучения
владение техниками clustering и dimensionality reduction, способами их практического применения
понимание архитектуры и функционирования базовых нейронных сетей

soft skills:

гибкость во внедрении изменений и корректировке стратегий
анализ проблем и нахождение эффективных решений

программа курса

от основ data science до фреймворков deep learning

вебинары

вт, чт — 19:30

01.intro to data science: AI vs. ML: поймите ключевые отличия и взаимосвязи между Artificial Intelligence и Machine Learning, исследуя их определение, применение и важность в современных технологиях
NumPy for numerical computations: научитесь использовать NumPy для числовых вычислений, включая операции с массивами, математические функции и рутинные операции с линейной алгеброй
exploratory data analysis. pandas: погрузитесь в базовые инструменты для манипулирования и анализа данных
visual data analysis: получите навыки визуализации данных для обнаружения шаблонов, трендов и инсайтов
02.classic machine learning: evaluating models — validation and metrics: овладейте техникой оценки моделей машинного обучения, а именно cross-validation, confusion matrices, ROC curves, precision, recall и F1 score
linear and polynomial regression: изучите концепции и применение линейных и полиномиальных регрессионных моделей, их реализацию и интерпретацию результатов
decision trees: разберитесь со структурой и применением decision trees, их построением, интерпретацией и оценкой
random forest and bagging: проработайте ансамблевые методы, сосредоточиваясь на random forests и bagging
boosting — XGBoost, LightGBM, CatBoost: определите передовые алгоритмы boosting, их реализацию и то, как они улучшают точность прогнозирования
unsupervised learning — dimensionality reduction and clustering: откройте для себя техники clustering и dimensionality reduction, способы их практического применения
feature engineering: увидите на реальных примерах, как feature engineering может оказать значительное влияние на производительность модели
feature importance: узнайте, как определять и интерпретировать важность признаков в ваших моделях, улучшая понимание и способность принимать обоснованные решения
NLP features: проанализируйте, как извлекать и использовать признаки в Natural Language Processing, включая токенизацию, стеминг, лематизацию и технику векторизации
time series analysis: научитесь правильно работать с time series data
03.intro to deep learning: basic neural networks: поймите архитектуру и функционирование базовых нейронных сетей, включая feedforward networks и backpropagation алгоритм
intro to PyTorch: получите практический опыт с PyTorch — ведущим фреймворком для deep learning, чтобы строить и тренировать нейронные сети
DL in NLP: Исследуйте применение deep learning в Natural Language Processing, включая техники для классификации текста, анализа настроений и моделирования языка
DL in CV: узнайте методы deep learning для задач computer vision, а именно классификацию и сегментацию изображений, и обнаружение объектов

выделите время, потому что на курсе будут: живые занятия,real-life задания, много фидбека и интеграций, курсовой проект исертификат за достижения

авторкапрограммы
Елена

Касьяненко

Data Science Consultant в monobank.

Более 10 лет в data science, включая модели прогнозирования, рекомендательные системы и GenAI моделями. Имеет опыт работы в ведущих компаниях Украины и мира, в частности Toyota (TCEU), monobank, Deloitte London, EVO (Prom.ua) и PrivatBank.

В Toyota Connected Europe разработала и внедрила предиктивные модели для оптимизации выбросов Toyota Fleet для Олимпиады 2024 года в Париже, что позволило на них снизить на 20%.

В Deloitte внедрила MLOps фреймворк для одной из крупнейших e-commerce компаний в UK.

В EVO создала data science команду, которая занималась рекомендательными системами, поиском фрода, оценкой качества контента для Prom.ua.

В PrivatBank и monobank разрабатывала модели прогнозирования дефолтов, что позволило более эффективно управлять кредитными портфелями.

что вас ждет

обучение по-проджекторному

погружение в основы машинного обучения, методы сбора, очистки и предварительной обработки данных
обзор примеров и применений ML, практический опыт построения и обучения базовых моделей
овладение инструментами для поддержания целостности данных и принятия обоснованных бизнес-решений
сертификат за достижения — выполнение домашек и успешную защиту курсового проекта

платить помесячно

10 500 грн/мес.

при рассрочке цена курса 31 500 грн

оплатить за весь курс
со скидкой

10 000 грн/мес.

при оплате одним платежом цена курса 30 000 грн

определились?
вот как попасть на курс

1зарегистрироваться
2заполнить анкету
3пройти отбор
4стать студентом

отзывы.
что говорят выпускники

Иван Петруха

macOS Developer в MacPaw

“Я очень доволен курсом и знаниями, которые я получил. Виталий очень понятно объяснял все темы, а программа курса построена очень грамотно. Курс действительно практический. Я узнал о современных способах работы с разными заданиями машинного обучения. Фидбек по домашним работам — регулярный и своевременный. Они спроектированы очень хорошо, заставляют самостоятельно разобраться с нюансами темы, что помогает лучше усвоить новые знания. Лекции — оптимальные по продолжительности, богатые живым общением. Также инструменты и платформы, что применялись на курсе, позволяли всегда быть в курсе последних новостей и получать своевременные упоминания о занятиях или проверенной домашней работе.

просмотреть

Алексей Сидорчук

Senior Project Officer в The International Foundation for Electoral Systems

“Я очень доволен прохождением курса. Получил много новой информации, задания были полезными и практичными. Понравилось объяснение материала преподавателями, приглашенные спикеры.

просмотреть

Игорь Козлов

Big Data Tech Lead в Levi9 Ukraine

“Хорошо структурированный курс покрывает все необходимое для старта в профессии. Кураторы дают активный фидбек и помогают с проектом, предлагая нестандартные и интересные пути решения проблемы.

просмотреть

92,7% студентов довольны обучением в Проджектор, а 82,2% студентов удалось реализовать цели с помощью курсов

*Согласно результатам исследования Projector.
В исследовании учавствовали 567 респондетнов
среди выпускников курсов в 2022.