Python и ML

Документ об окончании:  диплом о профессиональной переподготовке с присвоением квалификации «Специалист по большим данным», удостоверяющий право на ведение деятельности в сфере «Создание и применение технологий больших данных» 

Предварительные требования:

• знание основ анализа данных;
• знание основ программирования

Обучение позволит:

• создавать приложения на Python с применением современных инструментов разработки;
• решать задачи с помощью условных операторов, логики и циклов;
• использовать ключевые структуры данных Python и проектировать собственные - под здачи вашего проекта;
• использовать полученные знания по математическому анализу и линейной алгебре для старта в Data Science;
• применять инструменты многомерного статистического и дисперсионного анализа;
• использовать модели классификации, регрессии, кластеризации;
• работать с библиотекой PyTorch;
• обрабатывать текст средствами современных нейронных сетей и Python;
• обрабатывать речь и звук средствами нейронных сетей и Python;
• получить диплом о профессиональной переподготовке с присвоением квалификации «Специалист по большим данным», удостоверяющий право на ведение деятельности в сфере «Создание и применение технологий больших данных»

Преподаватели-практики активно делятся собственным опытом в области машинного обучения, предлагают для разбора реальные кейсы, а также под их руководством вы выполните дипломный проект.

Программа обучения:

1. Технологии программирования - 50 ак. часов
Модуль 1. Технологии программирования
Модуль 2. Типизация и структуры данных
Модуль 3. Алгоритмы
Модуль 4. Основные алгоритмические управляющие конструкции
Модуль 5. Основные парадигмы программирования
Модуль 6. Визуальное моделирование при анализе и проектировании. Основы Unified Modeling Language (UML)
Модуль 7. Основные диаграммы UML
Модуль 8. Работа с GitHub

2. Введение в базы данных - 40 ак. часов

Модуль 1. Введение в базы данных. Нормализация баз данных
Модуль 2. Обеспечение целостности данных, реализация ограничений
Модуль 3. Основы SQL-запросов (DDL/DML/DCL), представления
Модуль 4. Знакомство с PostgreSQL
Модуль 5. Основные операторы и синтаксис PL/pgSQL
Модуль 6. Безопасность, ролевая модель и схемы
Модуль 7. Создание баз данных и файлов БД
Модуль 8. Обзор NoSQL СУБД

3. Программирование на Python (базовые возможности) - 40 ак. часов

Модуль 1. Обзор возможностей языка Python при реализации процедурной парадигмы программирования;
Модуль 2. Реализация функций, особенности передачи параметров;
Модуль 3. Модули и пакеты;
Модуль 4. Генераторы. Множества;
Модуль 5. Работа с файловой системой;
Модуль 6. Работа с данными;
Модуль 7. Исключения и обработка ошибок;
Модуль 8. Элементы функционального программирования

4. Математические основы машинного обучения на Python - 20 ак. часов

Модуль 1. Векторно‑матричное представление данных и признаков;
Модуль 2. Линейные преобразования и матричные модели;
Модуль 3. Дифференцирование и градиент;
Модуль 4. Вероятностно‑статистические основы оценивания

5. Работа с данными на Python - 40 ак. часов

Модуль 1. Массивы и вычисления;
Модуль 2. Табличные данные;
Модуль 3. Качество данных;
Модуль 4. Объединение и агрегирование данных;
Модуль 5. Временные и категориальные признаки;
Модуль 6. Разбиение данных и предотвращение утечек;
Модуль 7. Препроцессинг как часть решения;
Модуль 8. EDA и визуализация

6. Машинное обучение и глубокое обучение на Python - 60 ак. часов

Модуль 1. Постановка ML‑задачи и baseline‑подход;
Модуль 2. Оценивание и воспроизводимость;
Модуль 3. Пайплайны моделирования и предотвращение утечек. Корректное оценивание;
Модуль 4. Линейные модели;
Модуль 5. Метод опорных векторов (SVM);
Модуль 6. Байесовские модели классификации (наивный Байес);
Модуль 7. Деревья решений и деревья в ансамблях;
Модуль 8. Ансамбли;
Модуль 9. Обучение без учителя;
Модуль 10. Обучение без учителя;
Модуль 11. Введение в глубокое обучение и нейросетевые представления;
Модуль 12. Обучение нейросетей на PyTorch (низкоуровневый контур);
Модуль 13. Обучение нейросетей на Keras (высокоуровневый контур);
Модуль 14. Сверточные нейронные сети (CNN);
Модуль 15. Детекция объектов (YOLO) как прикладной модуль DL;
Модуль 16. Трансформеры для обработки естественного языка.

7. MLOps - 20 ак. часов

Модуль 1. Жизненный цикл ML‑системы;
Модуль 2. Управление экспериментами и артефактами;
Модуль 3. CI/CD/CT в ML‑проектах;
Модуль 4. Развёртывание и сопровождение

8. Работа над проектом – 60 ак. часов

Программа курса может корректироваться

Добавить отзыв