Все курсы
Практический курс ML Практикум: от теории к промышленному использованию
Код курса | Даты начала курса | Стоимость обучения | Длительность обучения | Формат обучения |
---|---|---|---|---|
PYML | 26 мая 2025 11 августа 2025 |
54 000 руб. | 24 ак.часов | Дистанционный |
Регистрация |
Что такое машинное обучение (Machine Learning)
Машинное обучение (Machine Learning) — это раздел искусственного интеллекта, изучающий математические, статистические и вычислительные методы для разработки алгоритмов, способных обучаться и решать задачи не прямым способом, а на основе поиска закономерностей в разнообразных входных данных. Решение вычисляется не по точно заданной формуле, а по установленной зависимости результатов от конкретного набора признаков и их значений.
Хотите понять, как машины учатся предсказывать будущее, распознавать образы или выявлять мошенничество? Машинное обучение (Machine Learning) — это мощный инструмент, который позволяет извлекать ценные знания из данных и решать сложнейшие задачи, от прогнозирования оттока клиентов до постановки диагнозов по медицинским снимкам.
Наш 6-дневный практический курс — это ваше погружение в основы Machine Learning с использованием Python. Вы не только разберетесь в базовых концепциях, но и получите практические навыки построения своих первых ML-моделей.
Что вы освоите?
- Понимание Основ ML: Что такое машинное обучение, его место в AI, и какие задачи оно решает.
- Математический Фундамент: Разберетесь с основными математическими и статистическими принципами, лежащими в основе базовых ML-алгоритмов.
- Базовые Методы ML: Освоите ключевые подходы к решению задач классификации, регрессии и других.
- Подготовка Данных: Научитесь обрабатывать и подготавливать датасеты для эффективного моделирования.
- Построение Моделей на Python: Получите практический опыт создания, обучения и оценки базовых моделей Machine Learning с использованием популярных библиотек Python (например, Scikit-learn — предположение, т.к. это стандарт индустрии).
- Интерпретация Результатов: Научитесь понимать и объяснять результаты работы ваших моделей.
Как построен образовательный курс «ML Практикум: от теории к промышленному использованию»
Продолжительность: 6 дней, 24 академических часа.
Соотношение теории к практике 50/50
О курсе: Данный курс является практическим руководством для специалистов, которым предстоит столкнуться в рабочих задачах с методами машинного обучения. В курсе будет рассказано о формализации таких задачах и современных подходах к их решению. Большое внимание в курсе уделено практической реализации методов ML на языке Python.
Аудитория:
- Аналитики Данных: Чтобы добавить методы ML в свой арсенал анализа.
- Разработчики ПО: Для интеграции интеллектуальных функций в приложения.
- Руководители и Менеджеры: Чтобы понимать возможности ML для бизнеса и принимать обоснованные решения.
- Специалисты по Big Data: Желающие перейти от обработки данных к их интеллектуальному анализу
Предварительный уровень подготовки:
- Опыт программирования
- Прохождение онлайн-курса FUNP «Основы языка Python для анализа данных и решения задач машинного обучения»
Успешно окончив курс «ML Практикум: от теории к промышленному использованию» в нашем лицензированном учебном центре, вы получите сертификат о повышении квалификации установленного образца.
Программа курса "Машинное обучение на Python"
Кто проводит курс
Конорев Олег
Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
- Руководитель группы Data Science в НИИ “Квант”, Москва
- Computer vision (CV) – решение задач по классификации и детектировании объектов на фото и видео, идентификации человека, сегментации изображений и распознаванию текста с библиотеками OpenCV, Tensorflow API и архитектурами нейронных сетей Yolo, SSD, fRCNN, U-net и пр.
- Natural language processing (NLP) – решение задач по классификации текстов, извлечению именованных сущностей (NER) и ключевых слов с библиотеками gensim, nltk, fasttext, spacy и др. Построение различных архитектур на основе искусственных нейронных сетей с использованием различных представлений слов (Embedding, Word2Vec) и готовых нейросетевых решений (Bert, fastai)
- Time series analysis – решение задач обработки, анализа и классификации аудио сигналов с библиотеками librosa, ffmpeg и различных архитектур нейронных сетей, а также предсказание значений временных рядов (time series forecasting) в приложении к котировкам активов с использованием классических решений (ARMA, ARIMA) и моделей на базе сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (LSTM,GRU) и их комбинаций.
- Проекты сегментации сигналов с различных датчиков и приборов и распознавания речи (speech-to-text) с облачными сервисами Yandex и Google.
Ермилов Дмитрий
Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
- Ведущий Data Scientist в ФГУП “Центр информационных технологий”, Москва
- Руководитель программ в Университете искусственного интеллекта, Москва.
- Кандидат наук (2017 год, Московский государственный университет им. М.В. Ломоносова, Москва)