Курс Machine Learning

На курсі розглянете різні завдання машинного навчання з точки зору роботи з даними й особливостями різних моделей використовуючи мову Python, здобудете навички роботи з традиційними алгоритмами і методами машинного навчання, нейронними мережами, а також обробкою природних мов і комп'ютерним зором.

Програма курсу

Introduction to Machine Learning

• Що таке AI/DS/ML/DL?
• Роль математики у ML
• Роль статистики у ML
• Задачі, що вирішує ML
• Етапи реалізації проєктів із ML
• Збір і обробка даних у ML, джерела даних та їх особливості
• Огляд основних інструментів у ML з використанням Python

Machine Learning Basic Tool: NumPy

• Що таке NumPy?
• Типи даних та їх атрибути
• Масиви
• Операції з масивами
• Сортування масивів

Machine Learning Basic Tool: Pandas

• Що таке Pandas?
• Структури й типи даних у Pandas
• Імпортування й експортування даних у Pandas
• Огляд даних у Pandas
• Операції з даними в Pandas

Data Visualization

• Призначення і важливість візуального аналізу й візуалізації даних
• Первинний аналіз даних
• Модулі matplotlib, seaborn, plotly
• Побудова простих графіків однієї змінної
• Побудова графіків двох і більше змінних
• Аналіз графіків (перевірка кореляції, аутлейєрів…)
• Побудова нових змінних вручну
• Побудова нових змінних за допомогою бібліотек

Linear Regression & Regularization

• Лінійні моделі в задачах регресії
• Навчання моделі лінійної регресії
• Лінійна регресія в scikit-learn
• Градієнтний спуск у задачах лінійної регресії
• Стохастичний і mini-batch градієнтний спуск
• Перенавчання і недонавчання. Гіперпараметри
• Регулярізація
• Крос-валідація

Logistic Regression & Machine Learning Metrics

• Метрики якості
• Метрики якості в задачах регресії
• Метрики якості в задачах класифікації
• Метрики якості в scikit-learn
• Метричні моделі
• Принцип передбачення в метричних моделях
• Метрики відстані
• KNN класифікатор і регресор у scikit-learn

Tree Based Models

• Ідея роботи моделей на основі дерев рішень
• Тренування дерева рішень
• Критерії зупинки й "підстригання" дерев
• Дерева рішень і категоріальні фічі
• Приклади реалізації в scikit-learn
• Bias-Variance Tradeoff
• Bagging
• Boosting
• Stacking

SVM & Clustering

• SVM
• Ідея алгоримту. Робота на лінійно роздільних даних
• SVM на лінійно нероздільних даних
• Ядра. Метод вікна Парзена
• Кластеризація
• Unsupervised learning
• Основні алгоритми кластеризації
• k-means
• Ієрархічна кластеризація
• Кластеризація за щільністю об'єктів
• Інші методи кластеризації
• Метрики оцінки якості кластеризації

Dimensionality Reduction

Recommender Systems

Introduction to Deep Learning

• Визначення Deep Learning
• Задачі, що вирішуються за допомогою Deep Learning
• Нейронні мережі
• Основні фреймворки для Deep Learning
• Ознайомлення з PyTorch
• Тензори
• Набори даних і завантажувачі даних
• Побудова нейронної мережі
• Автоматичне обчислення похідних
• Оптимізація параметрів моделі
• Збереження і завантаження моделі

Deep Learning: Layers

• Linear Layers
• Convolutional Layers
• Pooling Layers
• Normalization Layers
• Embedding Layers
• Dropout Layers
• Special Layers
• Activation Layers
• Gradient Explosion
• Gradient Vanishing
• Weight Initializations

Deep Learning: Optimization

• Optimization: General Ideas
• Gradient Descent
• Stochastic Gradient Descent
• SGD with Momentum
• Nesterov Momentum
• RMSProp
• Adam

Introduction to Computer Vision

• Image Classification
• Image Segmentation
• Object Detection
• Object Tracking
• Facial Recognition
• Pose Estimation
• Gesture Recognition
• Optical Character Recognition (OCR)
• Image Restoration
• Image Generation
• OpenCV
• Albumentations

Computer Vision: Classification Models

• ImageNet Dataset
• LeNet
• AlexNet
• VGG
• GoogLeNet (Inception v1)
• Inception v2
• ResNet
• DenseNet
• MobileNet v1
• MobileNet v2
• MobileNet v3
• EfficientNet
• EfficientNet v2

Computer Vision: Segmentations Models

• Segmentation Datasets
• Metrics
• FCN
• SegNet
• U-Net
• LinkNet
• FPN
• ENet
• PSPNet
• DeepLab v3
• DeepLab v3+

Computer Vision: Object Detection

• Introduction to Object Detection
• Object Detection Metrics
• Non-Maximum Suppression (NMS)
• Viola-Jones Detectors
• HOG Detector
• Deep Learning-based Detection Methods
• Two and One Stage Detectors
• R-CNN
• Fast R-CNN
• Faster R-CNN
• FPN

Introduction to Natural Language Processing

Natural Language Processing: Embeddings

Transformers

• Transformer
• GPT
• BERT
• Vision Transformer (ViT)

Reinforcement Learning

Особливості курсу

• Курс розрахований на IT-фахівців та інженерів будь-якої спеціальності, які знають Python, лінійну алгебру, математичний аналіз і статистику на рівні першого курсу технічного вузу
• Впродовж навчання будуть розглянуті різні завдання машинного навчання з точки зору роботи з даними та особливостей різних моделей машинного навчання, візуалізація отриманих результатів
• Заняття в режимі онлайн
• Доступ до відеозаписів занять в особистому кабінеті
• В кінці курсу виконується дипломний проєкт
• Оперативна служба підтримки студентів
• Викладачі курсу - практикуючі фахівці, що працюють в топових компаніях
• Можливість повернути всі внесені за навчання кошти до шостого заняття
• Бонуси курсу:
  • тренінги по проходженню співбесіди та складанню резюме з HR-фахівцем компанії
  • тестова співбесіда з технічним фахівцем

Викладачі курсу

• Денис Ступак - Senior Data Analyst
• Андрій Полухін - Machine Learning Engineer at Data Science UA
• Євген Краснокутський - Team Lead at MobiDev
• Дмитро Дорошенко - Senior Machine Learning Engineer at Triple A Technology Hub Kyiv
• Олег Коменчук - Data Scientist at Onseo
• Руслан Хоменко - ML Engineer at Postindustria
• Вероніка Вознюк - Data Scientist at AI EdgeLabs
• Юрій Лозинський - Machine Learning Engineer at SciForce Solutions