Сучасна диджитал-освіта для дітей — безоплатне заняття в GoITeens ×
Mazda CX 5
×

Data Science & Machine Learning Professium (подія в архіві)

Состоялось
21 июля 2019 (воскресенье)
Место
Киев, ул. Кожемяцкая, 10, Projector
Стоимость
88 000 грн/год
Пойдут

Программа профессиума содержит в себе все необходимые знания и практические навыки, из которых состоит современный Machine Learning. Он включает в себя математические основы, классические методы машинного обучения и Deep Learning с приложениями в области Computer Vision, Natural Language Processing, обработки аудио, ИИ для игр и робототехники. Большое внимание уделяется практике: программированию, изучению популярных библиотек и фреймворков, ускорению вычислений с помощью GPU и параллелизации обучения.

По итогу выпускник курса будет уметь:

— уверенно решать разнообразные практические задачи с помощью методов классического Machine Learning и Deep Learning;
— читать и понимать современные статьи по ML/Deep Learning, чтобы поддерживать свой уровень знаний;
— легко программировать на Python и применять NumPy/Scikit-learn/PyTorch для своих нужд;
— рутинно ускорять обучение моделей с помощью многих GPU.

Детали и регистрация

100+ занятий. Занятия, воркшопы, встречи с гостями и консультации — по вторникам и четвергам 19:30–21:30, а также бонусные занятия по выходным.
25 мест. Мы уделяем внимание каждому студенту курса. Поэтому количество мест ограничено.
3 сентября. Занятия на профессиуме стартуют 3 сентября. Заявки принимаются до 21 июля.
88 000 грн/год. 11 месяцев с перерывами на каникулы на новогодние и майские праздники. Оплата посеместровая — по 44 000 грн за семестр (возможна оплата в рассрочку).

Дмитрий Кордубан

Программист с глубоким знанием математики и алгоритмов, 16 лет опыта. Работал во Viewdle, Google, CartFresh.com. Преподавал курс алгоритмов в киевском филиале ШАД Яндекса. Победитель студенческого чемпионата Украины по программированию, финалист ACM ICPC 2009.

Facebook

Преподаватели курса

Кому будет полезно

— Практикующим Data Scientist-ам, которые хотят систематизировать свои знания и освоить Deep Learning.
— Программистам с математическим складом ума, которые хотели бы перейти в машинное обучение или заняться ИИ.
— Студентам технических и физ-мат специальностей, мечтающим о крутой современной карьере по специальности.

Студент курса должен иметь базовые знания Python, знать основы математического анализа и теории вероятностей.

Для обучения на курсе вам понадобится собственный ноутбук и более 10 часов в неделю на выполнение домашних заданий.

Программа курса

В течение курса каждую тему отрабатываем на прикладных задачах. В лучших традициях Projector, максимальный упор на практику. Это не будет год лекций и конспектов, это будет год практики и опыта.

Курс делится на 2 семестра по 5,5 месяцев. По окончании первого семестра принимается решение о переводе студента на второй семестр, по окончании второго — о выдаче сертификата.

Математические основы
Анализ, линейная алгебра и теория вероятности — фундаментальный базис, на котором построен весь современный Machine Learning. Необходимы, чтобы по-настоящему глубоко вникнуть в рассматриваемые на курсе методы.

Основы алгоритмов
Алгоритмы — то, что отделяет искусство программирования от ремесла. Полученный на курсе практический опыт решения сложных задач и имплементации решений навсегда останется с вами. И поможет реализовывать дальнейшие практические задания курса в срок :)

Классический Machine Learning
Проверенные временем методы, которые работают на небольших объемах данных: линейная и логистическая регрессия, SVM, деревья решений, факторизационные методы, многослойные персептроны. «Джентельменский набор» любого Data Scientist’а.

Deep Learning for Computer Vision
Ускоренные с помощью GPU конволюционные нейросети революционизировали Computer Vision в 2012. И этот хайп не стих до сих пор. Мы рассмотрим современные подходы к задачам распознавания, классификации, сегментации и производным от них. Много практических заданий и экспериментов!

Generative Adversarial Networks
State-of-the-art подход для синтеза правдоподобных изображений породил пресловутые deep fakes. Мы поделимся опытом, как устойчиво тренировать эти довольно капризные модели, и закрепим это на практике.

Deep Learning for Natural Language Processing
Будут детально разобраны векторы слов, LSTM, seq2seq, сверточные сети, механизм attention, архитектура Transformer. Эти подходы революционаризировали машинный перевод, суммаризацию текстов, автоматическое создание подписей к изображениям и другие сложные задачи NLP.

Deep Learning for Audio
Глубокие нейросети сильно помогают в задачах распознавания и синтеза голоса. Яркий пример — WaveNet от Google. Вы научитесь полному пайплайну работы с аудио, начиная от препроцессинга.

Deep Reinforcement Learning
Основной двигатель прогресса в ИИ для сложных игр, self-driving автомобилей и роботов. Будут рассмотрены Q-Learning, advantage learning, policy gradient methods, а также методы, основанные на world models. Много фана и смешных багов в процессе реализации.

Зарегистрироваться

Google Calendar iCal
👍ПодобаєтьсяСподобалось0
До обраногоВ обраному0
LinkedIn
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter

Підписатись на коментарі