ML Engineer
• Стань экспертом в области искусственного интеллекта и нейронных сетей.
• Работай в одной из самых востребованных IT-профессий
и зарабатывай от 150.000 в мес.*
• Работай в одной из самых востребованных IT-профессий
и зарабатывай от 150.000 в мес.*
Курс по Машинному обучению от практикующих специалистов.
Академия Globus. Учись там, где будешь работать.
Machine learning
машинное обучение
машинное обучение
нужен для создания нейросетей, которые анализируют все что угодно — от комбинаций в шахматах до максимальной персонификации рекламы в соцсетях. ML позволяет создавать программы для прогнозов, которые работают гораздо лучше человека
Анализ документов
Контроль доступа
Мониторинг поведения
Биометрия
Беспилотная функция
Визуальный контроль
Анализ документов
Контроль доступа
Мониторинг поведения
Биометрия
Беспилотная функция
Визуальный контроль
Основная цель
курса
курса
Обучить будущих инженеров для работы
в нашей, а также в подобных современных IT-компаниях.
Лучших забираем в штат и возвращаем деньги за обучение в полном объеме.
в нашей, а также в подобных современных IT-компаниях.
Лучших забираем в штат и возвращаем деньги за обучение в полном объеме.
ЧЕМУ НАУЧИТЕСЬ
4
Получите опыт работы с пакетами программ по анализу данных и нейросетевому анализу изображений (SciPy, scikit-learn, Pillow, tensorflow.keras).
Вы узнаете, что такое машинное обучение, основные задачи и подходы к их решению (data-driven)
1
Научитесь решать задачи регрессионного анализа и классификации объектов разными методами, в том числе и с помощью нейросетей
2
Познакомитесь с необходимой математикой, научитесь использовать графический анализ данных
3
ЛУЧШИХ ЗАБИРАЕМ В ШТАТ•
ЛУЧШИХ ЗАБИРАЕМ В ШТАТ •
ЛУЧШИХ ЗАБИРАЕМ В ШТАТ •
ЛУЧШИХ ЗАБИРАЕМ В ШТАТ •
И ВОЗВРАЩАЕМ ДЕНЬГИ ЗА ОБУЧЕНИЕ •
И ВОЗВРАЩАЕМ ДЕНЬГИ ЗА ОБУЧЕНИЕ •
И ВОЗВРАЩАЕМ ДЕНЬГИ ЗА ОБУЧЕНИЕ •
И ВОЗВРАЩАЕМ ДЕНЬГИ ЗА ОБУЧЕНИЕ •
И ВОЗВРАЩАЕМ ДЕНЬГИ ЗА ОБУЧЕНИЕ •
ЛУЧШИХ ЗАБИРАЕМ В ШТАТ•
И ВОЗВРАЩАЕМ ДЕНЬГИ ЗА ОБУЧЕНИЕ •
ЛУЧШИХ ЗАБИРАЕМ В ШТАТ •
И ВОЗВРАЩАЕМ ДЕНЬГИ ЗА ОБУЧЕНИЕ •
ЛУЧШИХ ЗАБИРАЕМ В ШТАТ •
ПРОГРАММА КУРСА
Тема 1.1. Введение в программирование на Python
• Установка языка и среды программирования
• Установка и работа в Jupyter notebook и Google Colab
• Основные структуры данных и синтаксис языка
• Циклы, строки, списки, кортежи, множества, словари
• Функциональное и модульное программирование dPython
Тема 1.2. Матричные вычисления в Python. Графический анализ данных
• Реализация матричных вычислений с использованием библиотеки numpy. Краткий обзор функционала библиотеки
• Построение графиков
• Краткий обзор функционала библиотеки matplotlib
• Установка языка и среды программирования
• Установка и работа в Jupyter notebook и Google Colab
• Основные структуры данных и синтаксис языка
• Циклы, строки, списки, кортежи, множества, словари
• Функциональное и модульное программирование dPython
Тема 1.2. Матричные вычисления в Python. Графический анализ данных
• Реализация матричных вычислений с использованием библиотеки numpy. Краткий обзор функционала библиотеки
• Построение графиков
• Краткий обзор функционала библиотеки matplotlib
Тема 2.1. Векторные пространства, матрицы и тензорные вычисления. Векторная алгебра. Операции с векторами. Матричная
алгебра. Операции над матрицами. Тензоры. Операции с тензорами. Транспонирование матриц и тензоров. Представление
картинок в виде тензоров. Реализация операций с тензорами с использованием библиотеки numpy.
Тема 2.2. Евклидовы пространства. Длины и нормы векторов и матриц. Скалярное произведение векторов. Свойства
скалярного произведения. Углы между векторами. Меры сходства векторов. Метрики MSE, MAE.
Тема 2.3. Анализ и дифференциальное исчисление функций. Виды и свойства нелинейных функций активации. Производная
функции одной переменной. Свойства производных функций активации. Частные производные ФНП. Градиент. Градиентный
спуск.
Тема 2.4. Вероятностные пространства. ДСВ. Вероятностное распределение. Биномиальное распределение. НСВ.
Равномерное распределение. Нормальное распределение. Меры сходства вероятностных распределений. Расстояние
Куллбака-Лейблера.
алгебра. Операции над матрицами. Тензоры. Операции с тензорами. Транспонирование матриц и тензоров. Представление
картинок в виде тензоров. Реализация операций с тензорами с использованием библиотеки numpy.
Тема 2.2. Евклидовы пространства. Длины и нормы векторов и матриц. Скалярное произведение векторов. Свойства
скалярного произведения. Углы между векторами. Меры сходства векторов. Метрики MSE, MAE.
Тема 2.3. Анализ и дифференциальное исчисление функций. Виды и свойства нелинейных функций активации. Производная
функции одной переменной. Свойства производных функций активации. Частные производные ФНП. Градиент. Градиентный
спуск.
Тема 2.4. Вероятностные пространства. ДСВ. Вероятностное распределение. Биномиальное распределение. НСВ.
Равномерное распределение. Нормальное распределение. Меры сходства вероятностных распределений. Расстояние
Куллбака-Лейблера.
Тема 3.1. Основные понятия машинного обучения
Подход к управлению, основанный на данных или что такое машинное обучение. Основные задачи машинного обучения.
Обучение с учителем. Обучение без учителя. Обучение с подкреплением.
Тема 3.2. Построение регрессионных зависимостей
Постановка задачи регрессионного анализа. Критерий минимума наименьших квадратов. Метрики качества модели. Линейная
регрессия. Построение линейной регрессии. Работа с библиотекой scikit-learn.
Тема 3.3. Решение задачи классификации
Постановка задачи классификации. Функции потерь в задачах классификации. Метрики качества. Методы классификации.
Повышение качества классификации. Работа с библиотекой scikit-learn.
Тема 3.4. Решение задач снижения размерностей и кластеризации
Постановка задачи снижения размерности данных. Постановка задачи факторного анализа данных. Линейный ФА: метод PCA.
Снижение размерности: метод tsne. Постановка задачи кластеризации данных. Метод k-средних. Метод иерархической
кластеризации.
Подход к управлению, основанный на данных или что такое машинное обучение. Основные задачи машинного обучения.
Обучение с учителем. Обучение без учителя. Обучение с подкреплением.
Тема 3.2. Построение регрессионных зависимостей
Постановка задачи регрессионного анализа. Критерий минимума наименьших квадратов. Метрики качества модели. Линейная
регрессия. Построение линейной регрессии. Работа с библиотекой scikit-learn.
Тема 3.3. Решение задачи классификации
Постановка задачи классификации. Функции потерь в задачах классификации. Метрики качества. Методы классификации.
Повышение качества классификации. Работа с библиотекой scikit-learn.
Тема 3.4. Решение задач снижения размерностей и кластеризации
Постановка задачи снижения размерности данных. Постановка задачи факторного анализа данных. Линейный ФА: метод PCA.
Снижение размерности: метод tsne. Постановка задачи кластеризации данных. Метод k-средних. Метод иерархической
кластеризации.
Тема 4.1. Основы нейросетевых вычислений
История нейросетевых вычислений. Алгебраическая модель нейрона. Функции активации. Модель нейрона с тождественной
функцией активации. Построение линейной регрессии. Модель нейрона с логистической функцией активации. Построение
классификатора. Моделирование булевых операций. Реализация моделей нейронов с использованием библиотеки numpy.
Тема 4.2. Модель многослойной нейросети. Обучение нейрона
Проблема XOR. Модель нейросети, реализующей операцию XOR. Нейросетевое моделирование предикатов. Модель
многослойных классификационных нейросетей. Пример реализации нейросетей с использованием библиотеки
numpy. Обучение нейрона. Правило Хебба. Применение метода градиентного спуска для обучения нейрона. Пример и
иллюстрация обучения нейрона с использованием библиотеки numpy.
Тема 4.3. Обучение многослойной нейросети
Алгоритм обратного распространения ошибки для оптимизации многослойных нейронных сетей. Пример обучения нейросети,
реализующей XOR с помощью алгоритма обратного распространения ошибки с использованием библиотеки numpy.
Стохастический градиентный спуск (СГС). Регуляризация. Подбор параметров нейросети и обучения. Визуализация процесса
обучения нейросетей.
История нейросетевых вычислений. Алгебраическая модель нейрона. Функции активации. Модель нейрона с тождественной
функцией активации. Построение линейной регрессии. Модель нейрона с логистической функцией активации. Построение
классификатора. Моделирование булевых операций. Реализация моделей нейронов с использованием библиотеки numpy.
Тема 4.2. Модель многослойной нейросети. Обучение нейрона
Проблема XOR. Модель нейросети, реализующей операцию XOR. Нейросетевое моделирование предикатов. Модель
многослойных классификационных нейросетей. Пример реализации нейросетей с использованием библиотеки
numpy. Обучение нейрона. Правило Хебба. Применение метода градиентного спуска для обучения нейрона. Пример и
иллюстрация обучения нейрона с использованием библиотеки numpy.
Тема 4.3. Обучение многослойной нейросети
Алгоритм обратного распространения ошибки для оптимизации многослойных нейронных сетей. Пример обучения нейросети,
реализующей XOR с помощью алгоритма обратного распространения ошибки с использованием библиотеки numpy.
Стохастический градиентный спуск (СГС). Регуляризация. Подбор параметров нейросети и обучения. Визуализация процесса
обучения нейросетей.
Тема 5.1. Классификация данных. Анализ изображений
Построение и оптимизация многослойной классифицирующей нейросети. Виды слоев нейросети. Dropout. Batch-
нормализация. Пример классификации изображений рукописных цифр.
Основные возможности библиотеки tensorflow.keras/pyTorch по построению и обучению нейросетей. Кейс по распознаванию
изображений рукописных букв.
Тема 5.2. Сверточные сети. Анализ изображений
Сверточные сети. Сверточные и подвыборочные слои. Ядра и смещения. Обучение сверточных сетей. Пример классификации
изображений рукописных букв. Решение кейса по распознаванию изображений рукописных букв с использованием
сверточных сетей и функционала библиотеки tensorflow.keras / pyTorch.
Тема 5.3. Кодирование изображений. Тюнинг нейросетей
Автоэнкодинговые сети. Структура и обучение. Сверточные автоэнкодинговые сети. Пример факторного анализа фотографий
лиц. Обучение нейросетей фильтрации шумов. Пример фильтрации шумов на изображениях рукописных цифр с
использованием сверточных автоэнкодинговых нейросетей и функционала библиотеки tensorflow.keras / pyTorch.
Оптимизация параметров нейросетей. Использование алгоритмов поиска квазиоптимальных параметров.
Тема 5.4. Инструменты предварительной обработки изображений
Библиотека Pillow. Предобработка изображений, повышающая точность работы нейросетей. Фильтрация изображений.
Ресайзинг. Генерация изображений.
Построение и оптимизация многослойной классифицирующей нейросети. Виды слоев нейросети. Dropout. Batch-
нормализация. Пример классификации изображений рукописных цифр.
Основные возможности библиотеки tensorflow.keras/pyTorch по построению и обучению нейросетей. Кейс по распознаванию
изображений рукописных букв.
Тема 5.2. Сверточные сети. Анализ изображений
Сверточные сети. Сверточные и подвыборочные слои. Ядра и смещения. Обучение сверточных сетей. Пример классификации
изображений рукописных букв. Решение кейса по распознаванию изображений рукописных букв с использованием
сверточных сетей и функционала библиотеки tensorflow.keras / pyTorch.
Тема 5.3. Кодирование изображений. Тюнинг нейросетей
Автоэнкодинговые сети. Структура и обучение. Сверточные автоэнкодинговые сети. Пример факторного анализа фотографий
лиц. Обучение нейросетей фильтрации шумов. Пример фильтрации шумов на изображениях рукописных цифр с
использованием сверточных автоэнкодинговых нейросетей и функционала библиотеки tensorflow.keras / pyTorch.
Оптимизация параметров нейросетей. Использование алгоритмов поиска квазиоптимальных параметров.
Тема 5.4. Инструменты предварительной обработки изображений
Библиотека Pillow. Предобработка изображений, повышающая точность работы нейросетей. Фильтрация изображений.
Ресайзинг. Генерация изображений.
КОМУ ПОДОЙДЕТ КУРС
Вы хорошо знакомы со школьным курсом математики
Имеете небольшой опыт программирования на любом языке
Делаете первые шаги в машинном обучении
Хотите разобраться с нейросетями и научиться решать задачи машинного обучения и анализировать данные и изображения
Нехаев Игорь Николаевич
Начальник Центра Электронного Обучения, к.т.н., доцент каф. информатики и системного программирования,
зав. лаборатории искусственного интеллекта в обучении Поволжского государственного технологического университета
зав. лаборатории искусственного интеллекта в обучении Поволжского государственного технологического университета
Илья Померанцев
Руководитель направления ML в Globus
Эксперт в области Machine Learning, Deep Learning, Computer Vision
Опыт управления проектами с 2007 года
Постоянный спикер на крупнейших IT-конференциях России — TechWeek, Технофорум, ЦИПР и др.
Эксперт в области Machine Learning, Deep Learning, Computer Vision
Опыт управления проектами с 2007 года
Постоянный спикер на крупнейших IT-конференциях России — TechWeek, Технофорум, ЦИПР и др.
ЭКСПЕРТЫ КУРСА
• Стань экспертом в области искусственного интеллекта и нейронных сетей.
• Работай в одной из самых востребованных IT-профессий.
• Работай в одной из самых востребованных IT-профессий.
Лучших забираем в штат и возвращаем деньги за обучение в полном объеме
ML Engineer
НАШИ ВЫПУСКНИКИ РАБОТАЮТ
Globus – эксперт в разработке и интеграции сложных корпоративных систем: высоконагруженный back-end, легкий front-end, продуманный мобайл и умный ML.
200+ специалистов
350+ проектов для крупного бизнеса
Топ-2 рейтинга разработчиков мобильных приложений по версии Tagline
Топ-10 рейтинга крупнейших разработчиков приложений для бизнеса и госструктур по версии CNews
Работаем с лидерами рынка. Полный цикл реализации проекта: от определения бизнес-задач до тестирования и размещения в сторах.
350+ проектов для крупного бизнеса
Топ-2 рейтинга разработчиков мобильных приложений по версии Tagline
Топ-10 рейтинга крупнейших разработчиков приложений для бизнеса и госструктур по версии CNews
Работаем с лидерами рынка. Полный цикл реализации проекта: от определения бизнес-задач до тестирования и размещения в сторах.
Академия Globus. Учись там, где будешь работать.
*не является предложением о работе, cредний уровень заработка по данным hh.ru.
Вся информация, представленная на данном сайте, носит информационный характер и ни при каких условиях не является публичной офертой, определяемой положениями Статьи 437(2) Гражданского кодекса РФ. Услуга не носит характер образовательной или просветительской деятельности в понимании Федерального закона "Об образовании в Российской Федерации" от 29.12.2012 N 273-ФЗ.Услуга оказывается Обществом с ограниченной ответственностью «ГЛОБУС-ИТ» (ОГРН: 1135260012337), для получения подробной информации об услуге и её стоимости необходимо оставить заявку на сайте или обратиться по email: info@online.globus-ltd.ru
Вся информация, представленная на данном сайте, носит информационный характер и ни при каких условиях не является публичной офертой, определяемой положениями Статьи 437(2) Гражданского кодекса РФ. Услуга не носит характер образовательной или просветительской деятельности в понимании Федерального закона "Об образовании в Российской Федерации" от 29.12.2012 N 273-ФЗ.Услуга оказывается Обществом с ограниченной ответственностью «ГЛОБУС-ИТ» (ОГРН: 1135260012337), для получения подробной информации об услуге и её стоимости необходимо оставить заявку на сайте или обратиться по email: info@online.globus-ltd.ru