Курс Machine Learning в школе TMS сделает тебя заправским ML-инженером, причем всего за 8 месяцев. Преподаватели (действующие сотрудники крупных компаний вроде 21vek) ждут студентов с навыками программирования и техническим образованием. Твой результат в конце курса: 1. Выучишь основные алгоритмы машинного обучения и натренируешь свои модели 2. Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры 3. Узнаешь и будешь использовать лучшие методики для оценки качества моделей и их оптимизации 4. Научишься стратегиям end-to-end, транcфера и многозадачного машинного обучения 5. Построишь модели для анализа фото-, видео-, аудио и текстового потоков, используя фреймворки PyTorch и TensorFlow 6. Получишь практику внедрения алгоритмов и установки выполнения пайплайнов на периодической основе, используя AirFlow Программа курса: Блок 1 - Введение в ML и DL Модуль 1 - Базовая математика и ее применение в ML Линейная алгебра (Основы матричного исчисления), векторы, векторное пространство Матрицы Основы теории вероятности и математической статистики. Основы мат. анализа Распределения, доверительные интервалы Корреляция Модуль 2 - Классические ML алгоритмы. Часть 1 Обучение с учителем/без учителя/с подкреплением Функция ошибок Градиентный спуск Линейная регрессия Модуль 3 - Классические ML алгоритмы. Часть 2 Множественная линейная регрессия Классификация (логистическая регрессия) Переобучение (регуляризация) Недообучение Другие алгоритмы (Метод опорных векторов) Модуль 4 - Введение в нейронные сети. Часть 1 Понятие нейронных сетей. Нейрон. Многослойный персептрон Функции активации Learning (Forward, Backpropagation) Смещение/разброс (Bias/Variance) Модуль 5 - Введение в нейронные сети. Часть 2 Классификация архитектур нейронных сетей Виды слоёв (и классификация нейронов) Кривые обучения (Learning curves) Метрики оценки Модуль 6 - Обучение нейросетей Функция потерь Обратное распространение ошибки Оптимизаторы Стохастический градиент Функция потерь Модлуль 7 - Решение проблем с тренировкой нейросетей Регуляризация Улучшаем глубокие нейросети Оптимизация гиперпараметров Блок 2 - Компьютерное зрение 8. Введение в компьютерное зрение История появления Основные понятия Использование в реальной жизни 9. Основы OpenCV Обзор OpenCV Установка, загрузка и сохранение изображений 10. Возможности OpenCV и его использование различных областях. Часть 1 Обработка изображений Компьютерная графика 11. Возможности OpenCV и его использование различных областях. Часть 2 Обнаружение объектов Видеоанализ 12. Преобразования изображений Фильтрация Морфология Детекция границ 13. Введение в свёрточные нейронные сети (CNN). Основные понятия Что такое CNN? Архитектура и принцип работы Обучение 14. Классификация изображений. Часть 1 Исследование данных Построения моделей 15. Классификация изображений. Часть 2 Валидация результатов Мониторинг обучения в RealTime 16. Введение в детекцию объектов Разбор задач и проблематики Анализ данных Гибридные системы классификации и детекции 17. Детекция объектов с использованием VGG, ResNet и DenceNet Изучение и применение VGG Изучение и применение ResNet Изучение и применение DenceNet 18. Обнаружение объектов с использованием R-CNN, Fast R-CNN, Faster R-CNN и YOLO Изучение и применение R-CNN Изучение и применение Fast R-CNN Изучение и применение Faster R-CNN Изучение и применение YOLO 19. Семантическая сегментация: U-Net и DeepLab Изучение и применение U-Net Изучение и применение DeepLab 20. Трехмерное компьютерное зрение: 3D CNN и PointNet Изучение и применение 3D CNN Изучение и применение PointNet 21. Распознавание действий на видео: C3D и I3D Изучение и применение C3D Изучение и применение I3D 22. Использование CV в беспилотниках. Часть 1 Изучение кейсов применения и проблем CV в беспилотниках Архитектуры и аппаратная часть беспилотников Оптимизация вычислений под конкретные мощности 23. Использование CV в беспилотниках. Часть 2 Изучение кейсов применения и проблем CV в беспилотниках Архитектуры и аппаратная часть беспилотников Оптимизация вычислений под конкретные мощности 24. Применение компьютерного зрения в реальных задачах Кейсы Примеры использования вышеупомянутых архитектур. Блок 3 - Обработка текста 25. Введение в NLP История Основные задачи Применение 26. Предобработка текста Очистка Токенизация Стемминг Лемматизация 27. Анализ настроения Использование логистической регрессии Использование наивного Байеса 28. Vector Space models Нахождение зависимости между словами Визуализация в векторном пространстве 29. Машинный перевод и поиск документов K-ближайшие соседи Хэш-таблицы и хеш-функции 30. Autocorrect системы Использование систем автозамены разных проектах Построение системы на основе вероятности последовательностей символов 31. Речевые теги скрытые Марковские модели Изучение алгоритма Viterbi. Использование Марковских моделей в системе тегов речи 32. Autocomplete системы. Часть 1 Рассмотрение N-gramm модели Оценка языковой модели 33. Autocomplete системы. Часть 2 Использование словарных слов Сглаживание Построение прототипа 34. Введение в RNN Что такое RNN? Типы Архитектуры RNN 35. LSTM и GRU: что это и для чего нужны Изучение и применение LSTM Изучение и применение GRU 36. Глубокое обучение в NLP: архитектуры и библиотеки Введение в глубокое обучение Основные концепции и архитектуры DL Библиотеки DL в python 37. Трансформеры и аттеншн-механизмы. Часть 1 Тензорный анализ Рассмотрение трансформеров и его применения Изучение техники аттеншен и ее влияния на NLP 38. Трансформеры и аттеншн-механизмы. Часть 2 Тензорный анализ Рассмотрение трансформеров и его применения Изучение техники аттеншен и ее влияния на NLP 39. BERT, GPT и другие модели на основе трансформеров. Часть 1 Изучение и применение BERT Практика 40. BERT, GPT и другие модели на основе трансформеров. Часть 2 Изучение и применение GPT Практика 41. BERT, GPT и другие модели на основе трансформеров. Часть 3 Рассмотрение других моделей и перспектива создания своих на основе Практика 42. Обработка и анализ звука: основные понятия и инструменты. Часть 1 Основы цифровой обработки сигналов Практическое применение 43. Обработка и анализ звука: основные понятия и инструменты. Часть 2 Рассмотрение различных фильтров Практическое применение 44. Обработка и анализ звука: основные понятия и инструменты. Часть 3 Спектральный анализ аудио Практическое применение 45. Глубокое обучение для обработки аудио. Часть 1 Управление данными и маркировка Извлечение признаков 46. Глубокое обучение для обработки аудио. Часть 2 Сегментация Архитектуры для работы с аудио 47. Глубокое обучение для обработки аудио. Часть 3 Практическое применение 48. Интеграция NLP в бизнес-приложения Рассмотрение реальных кейсов Примеры интеграции Блок 4 - Развертывание моделей машинного обучения в производственной среде 49. Введение в развертывание ML моделей Принципы Потребности бизнеса Особенности. 50. Docker в машинном обучении. Часть 1 Основы работы с контейнерами Создание Docker-образов Интеграция с ML/DL фреймворками 51. Docker в машинном обучении. Часть 2 Основы работы с контейнерами Создание Docker-образов Интеграция с ML/DL фреймворками 52. A/B тестирование ML моделей Методология Практики Метрики и интерпретация результатов. 53. Тестирование ML кода с использованием Pytest Написание тестов Параметризация Фикстуры 54. Мониторинг и версионирование моделей Инструменты и лучшие практики. 55. Прунинг и дистилляция моделей Оптимизация размера и производительности моделей 56. DVC (Data Version Control) Управление данными и версиями моделей в машинном обучении. 57. MLflow Управление жизненным циклом ML моделей Отслеживание экспериментов. 58. Airflow и Dagster Автоматизация ML рабочих процессов Построение пайплайнов. 59. System design для ML систем Архитектура Инфраструктура и проектирование систем. 60. Пробное техническое собеседование Подведение итогов курса Консультации по дипломному проекту Вопросы технического собеседования 61. Онлайн-занятие «Поиск работы в IT» Составление резюме и сервисы для создания резюме; Создание и правильное оформление профиля в LinkedIn; Составление мотивационного письма; Работа с поиском вакансий на различных джоб-бордах; Личные рекомендации Карьерного центра по поиску первой работы в IT 62. Защита дипломного проекта
