Курсы Data Science и Machine learning

На курсі ви навчитеся створювати, налаштовувати та вдосконалювати спеціалізовані генеративні моделі, які відповідають вашим потребам, виявляти й усувати загрози, пов’язані з використанням GenAI, оцінювати якість згенерованих даних і налаштовувати гіперпараметри для коректної роботи. Окрім того, розробите власну генеративну модель для створення тексту та додасте її до портфоліо.

Програма курсу

Знайомство з професією Generative AI Developer

• Зрозумієте основні концепції та значення генеративного ШІ в сучасному світі
• Дізнаєтеся варіанти застосування генеративного ШІ в різних галузях
• Знатимете ролі та обов’язки розробника генеративного ШІ та інструментів, які він використовує
• Навчитеся визначати й пропонувати рішення з використанням генеративного ШІ в реальних сценаріях

Структура та функціонування нейронних мереж

• Зрозумієте структури й типи нейронних мереж
• Навчитеся реалізовувати базові нейронні мережі за допомогою популярних фреймворків

Навчання та оптимізація нейронних мереж

• Зрозумієте, як навчати й оптимізувати нейронні мережі
• Набудете навичок застосування методів регуляризації для покращення продуктивності моделі

Розширені архітектури нейронних мереж

• Зрозумієте розширені архітектури нейронних мереж
• Набудете навичок реалізації CNN та RNN для різних типів даних

Вступ до Large Language Models (LLMS)

• Зрозумієте архітектуру та процес навчання LLMs
• Дізнаєтеся ключові сфери застосування та виклики, які спричиняє розробка LLMs

Практичне застосування LLMS

• Дізнаєтеся про практичне використання та кастомізацію LLMs
• Набудете навичок налаштування LLM під конкретні завдання

Огляд і значення GANS

• Зрозумієте архітектуру та процес навчання GAN
• Набудете навичок реалізації основних моделей GANs

Просунуті технології GAN

• Зрозумієте передові технології та архітектури GAN
• Набудете навичок розв’язання проблеми стабільності й налаштування гіперпараметрів

Застосування глобальних мереж

• Зрозумієте оцінки та застосування GAN
• Набудете навичок впровадження GAN для різних практичних цілей

Вступ до VAES

• Зрозумієте архітектуру та призначення VAE
• Набудете навичок впровадження VAE для генерації даних

Практичне застосування VAE

• Зрозумієте підготовку та використання VAE
• Навчитеся застосовувати VAE для практичних завдань генерації даних

Інші генеративні моделі

• Зрозумієте різні генеративні моделі та їх застосування
• Набудете навичок реалізації різних генеративних моделей

Практичне застосування й тематичні дослідження

• Зрозумієте практичне застосування та навчитеся оцінювати ефективність генеративних моделей
• Набудете навичок аналізу та презентації кейсів генеративних моделей

Моделі тренування та навчання

• Зрозумієте поняття реалізації та оптимізації моделей GenAI
• Навчитеся застосовувати генеративні моделі до реальних продуктів

Оцінювання генеративних результатів

• Опануєте методи оцінювання генеративних моделей
• Навчитеся пропонувати покращення на основі результатів оцінювання

Конфіденційність та захист даних

• Дізнаєтеся про вразливості, пов’язані з LLMs, та їхній вплив на безпеку даних
• З’ясуєте, як впроваджувати стратегії захисту моделей GenAI та пом’якшувати ризики для безпеки

Використання GenAI в кібербезпеці

• Зрозумієте важливість усунення вразливостей LLM у сфері кібербезпеки
• Розроблятимете рішення на основі GenAI для посилення кібербезпеки та захисту від потенційних загроз

Презентація підсумкового проєкту

Особливості курсу

• Теорія + практика
• Підтримка ментора
• Сертифікат про проходження курсу
• Проєкт в портфоліо

Викладачі курсу

• Володимир Поворозник - Senior ML Engineer at UniData Lab PhD в галузі Computer Science
• Юрій Хома - Co-founder & CEO UniData Lab

Навчання Python для початківців. Ти навчишся створювати "начинку" програм і зможеш працювати Python зі знаннями data Science and machine Learning.

Програма курсу

Python Core

• Вступ до Python
• Контроль потоку та функції
• Робота з датою, часом та розширена робота з рядками
• Робота з файлами та модульна система
• Функціональне програмування та вбудовані модулі Python
• Основи роботи з класами
• Розширене Об'єктно-орієнтоване програмування в Python
• Серіалізація та копіювання об'єктів у Python

Data Science and Machine Learning

• Development. Poetry. Docker
• Database. SQL, MongoDB
• WebScraping
• Знайомство з Data Science програмування
• EDA та основи статистики
• Класичне машинне навчання
• Задача класифікації й оцінка роботи моделі
• Інші алгоритми навчання з учителем
• Навчання без учителя
• Рекомендаційні системи
• Нейромережі та глибоке навчання
• Підбір гіперпараметрів НМ
• Згорткові нейронні мережі
• Моделі дослідження числових рядів
• Класичні приклади нейромереж та основи NLP
• Dash-інтерактивні вебзастосунки

Soft Skills

• Філософія Agile
• Методологія Scrum
• Командна праця
• Тайм менеджмент
• Робота з EnglishDom Words
• Заняття з працевлаштування
• Складання грамотного резюме
• Створення сторінки на LinkedIn
• Написання мотиваційного листа
• Майданчики для пошуку роботи
• Підготовка до HR-інтерв'ю
• Підготовка до технічного інтерв'ю
• Комунікативні навички

Career skills

• Створення резюме
• Оформлення профілів Linkedin та Djinni
• Підготовка до HR та технічної співбесіди
• Рекомендація студентів на вакансії партнерів

Особливості курсу

• Кабінет my.goit
• Прямі ефіри
• Спілкування в чаті
• Круті ментори
• Підготовка до співбесід

Викладачі курсу

• Юрій Кучма - Senior Backend Developer і автор курсу
• Олексій Кудін - Data Scientist/ML Engineer, доцент у ЗНУ
• Ярослав Ісаєнков - Data Science Tech Lead and Kaggle Grandmaster
• Іван Чернега - Senior Data Scientist at Capgemini Engineering
• Ігор Градовий - Data Scientist at EVO

Навчіться автоматизувати збір та оброблення даних завдяки Python, розробляти прогнозні моделі, використовувати інструменти моніторингу та аналізу точності, а також візуалізувати дані та створювати зрозумілі дашборди.

Програма курсу

Знайомство з викладачем та огляд курсу

• Цілі та воркфлоу курсу
• Налаштування середовища Python
• Введення у завдання проєкту та ключові дати
• Q&A-сесія

Роль Data Science, AI та ML у фінансах

• Що таке Data Science, AI та ML
• Програмні застосунки у фінансових послугах
• Важливі навички для Data Scientist або Data Engineer
• Ключова термінологія та програмне забезпечення, пов'язане з фінансовими послугами
• Ланцюг оброблення машинного навчання та воркфлоу

Практичні стратегії пошуку та очищення наборів фінансових даних

• Загальні джерела даних для Data Science та Al у фінансах
• Загальні методи збору й очищення даних та їхня реалізація на Python
• Кейс-стаді: розв'язання загальних проблем у фінансових даних
• Практичне завдання: застосування методів очищення даних за допомогою Python

Від даних до дієвих інсайтів: Exploratory Data Analysis (EDA) на Python

• Exploratory Data Analysis та його використання у фінансах
• Функціональна інженерія та її використання в Data Science
• Як візуалізація може прискорити процес EDA
• Дані часових рядів та як поводитися з ними в EDA
• Демо: реалізація на Python

Статистичне моделювання у фінансах за допомогою Python

• Вступ до статистичного моделювання та використання у фінансах
• Як робити висновки та перевіряти бізнес-гіпотези за допомогою ваших даних
• Практичне завдання: оцініть кредитоспроможність проєкту LendingClub

AI та ML у фінансах

• Вступ до машинного навчання та штучного інтелекту
• Алгоритми Al & ML
• Побудова класифікаційних моделей для оцінювання ризиків
• Оцінювання та інтерпретація моделей ML
• Збалансування точності моделі та її зрозумілості
• Поширені проблеми в моделюванні та методи їхнього розв'язання
• Демо: потік навчання та оцінювання моделі EZE

Ансамблеві методи для предикативного моделювання

• Ансамблеві моделі в машинному навчанні
• Фреймворки інтерпретації та пояснення моделей
• Вступ до налаштування гіперпараметрів
• Демо: реалізація ансамблевої моделі з налаштуванням гіперпараметрів та порівняння ефективності з базовою моделлю, побудованою на занятті №4

Вступ до глибокого навчання (DL) та нейронних мереж

• Основи глибокого навчання та нейронних мереж
• Розуміння того, як DL та нейронні мережі використовуються у фінансах
• Демо: популярні фреймворки Python для нейронних мереж

Неконтрольоване навчання у фінансах: виявлення викидів, сегментування клієнтів та подолання "прокляття розмірності"

• Виявлення відхилень: приклади використання та методи у фінансових послугах
• Приклади використання кластеризації та сегментації
• Аналіз головних компонентів для зменшення розмірності
• Демо: реалізація на Python

Моделювання часових рядів у фінансових послугах

• Дані часових рядів та їхнього використання у фінансах
• Розкладання даних часових рядів на ключові компоненти
• Методи прогнозування та сімейства моделей
• Демо: реалізація на Python

Генеративний АІ у фінансових послугах

• Вступ до генеративного Al та великих мовних моделей
• Моделі впровадження у фінансових послугах, ризики та можливості
• Демо: створення чат-бота для обслуговування користувачів

Створення застосунку на Python для виявлення шахрайства в реальному часі

• Введення у створення застосунків на Python
• Демо: створення застосунку для виявлення шахрайства
• Міркування щодо масштабованості та дизайну застосунку

Від ідеї до використання: життєвий цикл ML Ops

• Дизайн та архітектура системи ML
• Життєвий цикл та управління моделями ML Ops
• Етичні аспекти ML у фінансовій сфері
• Конфіденційність та безпека даних
• Регламент та комплаєнс

Ефективна співпраця та кращі практики в командах Data Science

• Ефективна реалізація проєктів у галузі Data Science
• Вимірювання успіху та ROI
• Кращі практики кодування та розробки програмного забезпечення
• Ефективна співпраця
• Розвиток хмарних технологій та тенденції в галузі Data Science
• Практичне завдання: визначення успіху для вашої ініціативи в галузі Data Science

Стратегічне планування кар'єри для Data Scientists у фінансах

• Кар'єрні шляхи в Data Science у фінансах
• Ключові тенденції та майбутнє AI у фінансах
• Підготовка резюме та проходження співбесіди
• Підсумки курсу

Особливості курсу

• Власний проєкт
• Практичний досвід
• Викладач з міжнародним досвідом
• Сертифікат про проходження курсу

Викладачі курсу

Андреа Аугусто Бароні - Head of Data Science Platform at Barclays

Програма курсу

Знайомство з Computer Vision

Ознайомитеся з завданнями, які допомагає розв'язати Computer Vision. Отримаєте загальну інформацію про те, як працює зорова система. Дізнаєтесь, які є колірні простори. Встановите бібліотеки NymPy, Matplotlib та OpenCV. Навчитеся виконувати прості операції за допомогою цих бібліотек.

Піксельні операції

Дізнаєтеся, що таке операції на рівні пікселів, і навчитеся читати гістограми. Створите найпростішу програму обробки цифрових зображень - наприклад, програму балансу білого кольору.

Лінійна фільтрація

Вивчите принцип роботи згортки. Навчитеся імплементувати фільтрацію та маніпулювати зображенням, використовуючи різні типи фільтрації.

Фільтри виділення кордонів

Дізнаєтеся, у чому сенс градієнтів зображень. Навчитеся імплементувати фільтри виділення меж. Опануєте алгоритм виділення контурів та фільтри в Canny.

Кодування та компресія зображень

Вивчите різницю між форматами зображень [raw, png, jpeg]. Розберете різницю між форматами H264 та H265. Дізнаєтеся, як працює стиснення із втратами, і навчитеся працювати з зображеннями в перетвореній формі. Спробуєте покращити якість зображення за допомогою інтелектуального квантування.

Image features [візуальні ознаки]

Дізнаєтеся, що таке візуальні ознаки, та ознайомитеся з типовими завданнями, які можна розв’язати з їхньою допомогою. Навчитеся виділяти кути за допомогою детектора Харріса. Вивчите алгоритми виявлення та опису ознак. Навчитеся застосовувати масштабно-інваріантну трансформацію ознак (SIFT).

Image matching [підстроювання зображень]

Ознайомитеся з завданнями, які розв'язує image matching. Вивчите принцип афінного перетворення та однорідних координат. Навчитеся використовувати гомографію для зображень. Розробите ректифікатор фотографій документів.

Machine Learning [машинне навчання]

Ознайомитеся з основними принципами роботи з моделями даних. Розберете різницю між класичною обробкою даних та машинним навчанням. Навчитеся будувати прості моделі з нуля та проводити їхню оптимізацію. Визначите різницю між machine learning та deep learning.

Детекція облич

Визначите, чим візуальні ознаки для детекції осіб відрізняються від інших об'єктів. Ознайомитеся з методом детекції Віоли-Джонса та методом бустингу. Навчитеся працювати з зображеннями, які містять обличчя, та здійснювати детекцію за допомогою OpenCV.

Трекінг

Вивчите основи роботи трекінгу та принципи роботи з цифровим відео. Розберете різницю між трекінгом та детекцією на практиці, реалізовуючи реальне робоче завдання.

Q&A-сесія

Нейронні мережі: part 1

Вивчите принципи роботи нейронних мереж. Отримаєте overview відкритих бібліотек TensorFlow та Keras. Навчитеся будувати й тренувати прості нейронні мережі. Спробуєте покращити модель нейронної мережі для класичної проблеми house pricing.

Нейронні мережі: part 2

Дізнаєтеся, як прискорити тренування нейронних мереж у кілька разів за допомогою GPU, та ознайомитеся з іншими перевагами графічного процесора. Ознайомитеся з хмарним сервісом Google Colaboratory та навчитеся будувати й тренувати моделі в ньому. Дізнаєтесь, навіщо проводити інспекцію баз даних.

Згорткові нейронні мережі: part 1

Вивчите принципи роботи згорткових нейронних мереж. Вивчите операції згортки та пулінгу. Навчитеся будувати й тренувати згорткові нейронні мережі.

Згорткові нейронні мережі: part 2

Ознайомитеся з проблемою перенавчання [overfitting]. Навчитеся розпізнавати проблеми в процесі навчання та застосовувати data augmentation у процесі тренування.

Згорткові нейронні мережі: part 3

Навчитеся розв'язувати задачу сегментації цифрових зображень. Вивчите принцип bottleneck. Побудуєте простий автоматичний енкодер для очищення зображень від шуму.

Воркшоп з нейронних мереж

Детекція об'єктів

Вивчите концепт детекції та bounding box. Навчитеся розпізнавати об'єкти в режимі реального часу, використовуючи принцип YOLO [You Only Look Once]. Ознайомитеся з алгоритмом NMS [Non-Maximum Suppression] та іншими архітектурами мереж для розпізнавання об'єктів [SSD, TinyYOLO, SqueezeDet]. Застосуєте YOLO, щоби розпізнати об'єкти на власному відео.

Згорткові нейронні мережі: що далі?

Ознайомитеся з популярними моделями згорткових нейронних мереж. Вивчите процес fine tuning та навчитеся працювати з model zoo. Дізнаєтеся, які проблеми виникають під час тренування згорткових нейронних мереж. Отримаєте рецепт успішного розв'язання проблем із використанням нейронних мереж.

Q&A-сесія

Презентація курсового проєкту

Особливості курсу

• Сильний контент
• Широкий набір інструментів
• Практика
• Кар'єра

Викладачі курсу

Ян Колода - Senior CV & ML Engineer at Gini GmbH

Ви навчитеся проводити статистичний аналіз даних за допомогою Python та розвинете математичне мислення для розв'язання реальних завдань Data Science

Програма курсу

Python для аналізу даних: Part 1

• Запускаєте код у Jupyter Notebook
• Проводите базові операції над числами та простими структурами даних
• Застосовуєте цикли for та while
• Розумієте, як поєднання "математика + Python" допоможе вам у роботі

Python для аналізу даних: Part 2

• Під'єднуєте бібліотеки Python
• Оперуєте даними за допомогою бібліотек NumPy та Pandas
• Візуалізуєте дані та інтерпретуєте результати за допомогою бібліотек Matplotlib та Seaborn

Дескриптивна статистика

• Застосовуєте моду, медіану, середнє значення та середньоквадратичне відхилення для аналізу даних
• Візуалізуєте результати аналізу та описуєте дані
• Використовуєте бібліотеки Matplotlib, Seaborn та Plotly

Теорія множин

• Знаєте, що таке множини та навіщо вони потрібні
• Використовуєте матриці та вектори для аналізу даних за допомогою NumPy
• Застосовуєте операції над множинами в роботі з даними
• Вмієте читати математичні позначення інтегрального та диференціального числення
• Використовуєте діаграми Венна для аналізу проблем

Теорія ймовірності

• Знаєте, що таке ймовірність та умовна ймовірність
• Виконуєте прості завдання на ймовірність

Випадкові величини та розподіли

• Застосовуєте теорему Баєса в щоденному житті під час ухвалення рішень
• Знаєте, що таке розподіл та як він пов’язаний з імовірністю
• Розумієте, що таке математичне очікування та дисперсія
• Вмієте аналізувати проблеми та завдання в робочому контексті
• Описуєте завдання за допомогою математичного очікування, дисперсії та коефіцієнта ексцесу

Залежність між випадковими величинами

• Розумієте різницю між кореляцією та причинністю
• Вмієте аналізувати та використовувати в роботі діаграми розсіювання для аналізу кореляції
• Знаєте, що таке математичне очікування, дисперсія, коваріація та кореляція

Основні розподіли

• Знаєте основні розподіли, вмієте їх застосовувати
• Визначаєте, який розподіл описує вашу проблему
• Використовуєте бібліотеку stats

Дані. Статистика. Вибірка

• Знаєте, що таке статистика та які проблеми вона розвʼязує
• Вивчили методи вибірки
• Плануєте та виконуєте збірку даних

Точкова оцінка

• Розумієте, що таке точкова оцінка
• Знаєте, як працює метод максимальної вірогідності
• Використовуєте прості статистики для оцінювання пропорцій та середніх значень

Інтервальна оцінка

• Знаєте, що таке довірчий інтервал
• Інтерпретуєте довірчий інтервал
• Будуєте довірчі інтервали для простих проблем та розумієте, у яких випадках вони не працюють

Перевірка статистичних гіпотез

• Знаєте, що таке P-значення та як його інтерпретувати
• Розбираєтесь у типах помилок
• Формулюєте статистичні гіпотези
• Перевіряєте прості статистичні гіпотези різними методами

Аналіз якісних даних

• Аналізуєте якісні дані
• Будуєте та аналізуєте таблиці сполученості
• Перевіряєте адекватність моделі за допомогою chi-square та бібліотеки stats

Статистика на практиці

• Розпізнаєте можливу помилку в аналізі та коригуєте її
• Проводите поправку під час перевірки множин гіпотез

Регресійний аналіз

• Формулюєте проблему для лінійної регресії
• Використовуєте scikit-learn для регресійного аналізу даних
• Перевіряєте результат регресійного аналізу на адекватність
• Регулюєте свою модель різними методами в разі перенавчання

Логістична регресія. Вступ до машинного навчання

• Знаєте, що таке статистичне навчання
• Розв'язуєте проблеми класифікації за допомогою логістичної регресії
• Застосовуєте перехресну перевірку
• Використовуєте scikit-learn для класифікації даних за допомогою логістичної регресії та перехресної перевірки
• Вмієте робити перехресну перевірку вручну

Заключне заняття. Висновки

• Знаєте, як братися за розв'язання проблем
• Розумієте, як зменшити ймовірність помилок

Презентація курсового проєкту

Презентуєте свою роботу колегам.

Особливості курсу

• Сильний контент
• Інструменти для роботи
• Практика
• Кар'єра
• Аналітична практика
• Розробка проєкту
• Апгрейд скілів

Викладачі курсу

Наталія Кеес - Data Scientist at Airbus