Курсы прикладного искусства

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... На цьому курсі ви навчитеся програмуванню на мові Python та навчитеся працювати з даними для самостійного аналізу. Курс включає в себе введення та виведення даних, арифметичні операції, цикли, робота зі строками та масивами, функції та словники, модулі для візуалізації та аналізу даних. Курс містить 62 окремих уроки, 14 практикумів, 8 самостійних робіт для закріплення матеріалу та 35 задач-тренажерів. Вашим курсовим проектом буде аналіз обраного масиву даних. Курс також включає в себе основи роботи з Python Jupyter Notebook, роботу з файлами, модулі numpy та matplotlib. Після закінчення курсу ви зможете самостійно тренувати свої навички програмування на Python.

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... Курс розрахований на аналітиків Python, які вивчають машинне навчання. В курсі розглядаються теоретичні та практичні аспекти використання лінійної регресії для передбачення числових показників споживання енергії ASHRAE в конкурсі на Kaggle. Курс складається з двох частин. У першій частині розглядаються всі етапи роботи з даними, від постановки задачі до роботи з моделями машинного навчання для мінімізації помилки передбачення. У другій частині курсу розглядаються практичні аспекти аналізу даних, включаючи ETL-процес, EDA, лінійну регресію, оптимізацію та ансамблювання моделей. Курс містить 7,5 годин відео та надає повний пожиттєвий доступ до матеріалів. Також передбачений сертифікат про успішне завершення курсу.

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... На цьому курсі ви навчитеся мові запитів SQL та дизайнувати бази даних. Курс включає в себе вивчення синтаксису SQL, створення, змінення та видалення даних та таблиць, індекси, складні запити та повнотекстовий пошук, вкладені запити. Курс містить 60 окремих уроків, 13 практикумів, 7 самостійних робіт для закріплення матеріалу та 30 задач-тренажерів. Вашим курсовим проектом буде дизайн бази даних для веб-додатка.

Курс розглядає задачу хакатона 2020 року з виділення факторів, що найбільше впливають на тривалість життя в Росії, з точки зору фундаментальних та прикладних підходів до зменшення розмірності даних. Курс розбито на 4 частини, де розглядаються різні методи машинного навчання та їх застосування для розв'язання задачі. Після проходження курсу студенти зможуть використовувати різні методи машинного навчання для вирішення задачі виокремлення факторів та побудови моделі для прогнозування тривалості життя в Росії.

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... Курс складається з трьох частин. Спочатку ми розберемо, як розраховувати відсотки за депозитами та платежі за кредитами і потренуємося в кредитному аналізі. Потім вивчимо підходи для вирішення інвестиційних задач: дисконтування, амортизація, ексцес, внутрішня ставка доходності та оцінка інвестицій. Проведемо інвестиційний аналіз. На завершення трохи займемося статистичним апаратом та навчимося точно прогнозувати дохідність тих чи інших інвестицій та будувати тенденції. Для проходження курсу потрібен Microsoft Excel версії не нижче 2010. Розрахунок простих та складних відсотків Розрахунок диференційованих та аннуїтетних платежів Переплата та погашення кредиту Розрахунок амортизації Внутрішня ставка доходності та приведена вартість грошей Аналіз акцій та облігацій Ймовірності та розподіли Персентилі та довірчі інтервали Лінійний та нелінійний прогноз Довірчий інтервал для прогнозу Оцінка фінансових ринків Оцінка інвестиційних стратегій

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... Курс розрахований на аналітиків Python, які вивчають машинне навчання. У курсі розглядається сегментація та класифікація зображень хмар за допомогою згорткових, пірамідальних, залишкових та повнозв'язних нейронних мереж у змаганні на Kaggle. Курс поділений на 2 частини. У першій частині ми послідовно пройдемо всі етапи роботи з даними: від видів задач та їх постановки до роботи з моделями машинного навчання для мінімізації передбачувальної помилки. У другій частині розглянемо на практичних прикладах проведення дослідницького аналізу даних для пошуку залежностей, метрики точності, очищення даних та обробки зображень, завантаження та збереження моделей та даних в HDF5, нейронні мережі зі згортковими шарами та шарами підвибірки, функції активації, ініціалізація та оптимізатори нейронних мереж, перетворення та доповнення (аугментація) бінарних даних, ансамбль нейронних мереж тощо. Курс містить 11,5 годин відео та дає можливість отримати сертифікат.

аутсорс-компаниях О преподавателе в управлении с 2009: прошел путь от менеджера проектов до CIO более 8 лет прикладного... Чтобы быть на одной волне с программистами, вы можете хаотично гуглить каждое непонятное слово — или подойти к менеджменту проектирования ПО комплексно. В последнем вам помогут Александр Гриценко, Development Manager в Oracle Ukraine, и Александр Свиденюк, Director Of Engineering в GlobalLogic.

Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на [email protected] с названием курса или группы курсов, которые хотите пройти.Работа с большими данными и задачами искусственного интеллекта требует особого подхода - подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки.Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели – линейную и логистическую регрессии.В курсе изучается:Классификация задач машинного обучения.Процесс машинного обучения: ETL, EDA, подготовка данных, обучение модели.Особенности обучения модели: выборки, переобучение и гиперпараметры.Оптимизация гиперпараметров жадным поиском, через гиперкуб и парзеновские деревья.Отличия переобученной модели и недообученной, практики оптимального обучения.Работа с форматов хранения данных - HDF5.«Проклятье» большой размерности.Подходы к простым моделям машинного обучения: метод максимального правдоподобия и метод наименьших квадратов, среднеквадратичная ошибка.Подходы к заполнению пропусков в данных: интерполяция и экстраполяция.Метрики задач регрессии: эвклидово расстояние, расстояние городских квадратов, Чебышева и Минковского.Линейная регрессия с регуляризацией и без.Изотоническая регрессия.Критерии выбора сложности модели: BIC и AIC.Линеаризуемая и полиномиальная регрессия.Логистическая регрессия.После завершения курса вы сможете организовывать процесс разработки моделей машинного обучения и перейти к более глубокому и прикладному изучению тему машинного обучения.Курс является вводным (базовым) и подойдет широкому кругу слушателей: от руководителей до разработчиков.Основные задачи машинного обучения:1) Задача регрессии – прогноз на основе выборки объектов с различными признаками. На выходе должно получиться вещественное число (2, 35, 76.454 и др.), к примеру цена квартиры, стоимость ценной бумаги по прошествии полугода, ожидаемый доход магазина на следующий месяц, качество вина при слепом тестировании.2) Задача классификации – получение категориального ответа на основе набора признаков. Имеет конечное количество ответов (как правило, в формате «да» или «нет»): есть ли на фотографии кот, является ли изображение человеческим лицом, болен ли пациент раком.3) Задача кластеризации – распределение данных на группы: разделение всех клиентов мобильного оператора по уровню платёжеспособности, отнесение космических объектов к той или иной категории (планета, звёзда, чёрная дыра и т. п.).4) Задача уменьшения размерности – сведение большого числа признаков к меньшему (обычно 2–3) для удобства их последующей визуализации (например, сжатие данных).5) Задача выявления аномалий – отделение аномалий от стандартных случаев. На первый взгляд она совпадает с задачей классификации, но есть одно существенное отличие: аномалии – явление редкое, и обучающих примеров, на которых можно натаскать машинно обучающуюся модель на выявление таких объектов, либо исчезающе мало, либо просто нет, поэтому методы классификации здесь не работают. На практике такой задачей является, например, выявление мошеннических действий с банковскими картами.

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... Це додатковий курс програми Машинного навчання від ITtensive з аналізу часових рядів. Курс складається з трьох практичних завдань, які дозволяють прогнозувати ціни на ф'ючерси на зерно, курс долара до рубля та активність споживачів електроенергії. Курс надає теоретичні знання про базові техніки, моделі та методологію аналізу часових рядів, а також про рекурентні нейронні мережі, LSTM, GRU, ConvLSTM та BiLSTM. Курс містить 4 відео та сертифікат про успішне завершення.

Це повний україномовний курс з таргету після якого ви зможете запускати рекламу, аналізувати результати, працювати з різними бюджетами й працювати таргетологом. Кожна лекція створена з максимально практичною метою та носить прикладний характер.

наибольшей степени влияющих на продолжительность жизни в России, с точки зрения фундаментальных и прикладных... Курс розроблений для аналітиків Python, які вивчають машинне навчання. У курсі розглядаються методи машинного навчання без учителя на Python. Курс складається з 7 частин, в яких розглядаються наступні теми: робота з даними, лінійна регресія, регуляризація, метод головних компонент, кластеризація, DBSCAN, HDBSCAN, OPTICS, SOM. Курс містить 2 задачі з хакатонів 2020 року: прогнозування тривалості життя в Росії та прогнозування терміну експозиції оголошень на Яндекс.Нерухомість. Курс містить багато практичних завдань та прикладів.

Курс присвячений вивченню теоретичних основ штучного інтелекту та проектуванню систем, основаних на знаннях. На курсі розглядаються основні підходи до формалізації та представлення знань, їх використання в моделях виводу для створення прикладних інтелектуальних систем. Курс розрахований на студентів технічних вузів.

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... Курс присвячений роботі з кластеризацією даних та пошуку аномалій на прикладі задачі хакатона Яндекс.Недвижимости по прогнозу срока экспозиции объявлений. Курс розбитий на 4 частини, в яких вивчаються основні моделі кластеризації, розширені моделі кластеризації, пошук аномалій та класифікація через кластеризацію. Курс призначений для аналітиків Python, які вивчають машинне навчання.

работу с PHP, Python, SQL, Git, сетевые технологии, машинное обучение и нейронные сети для решения прикладных... Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на [email protected] с названием курса или группы курсов, которые хотите пройти.Это завершающий курс программы Машинное обучение от ITtensive., В этом курсе мы разберем 3 задачи обучения с подкреплением:1. Игра в крестики-нолики на доске 3x3. Запрограммируем среду, условия выигрыша и обучим простых и не очень агентов (игроков) сводить игру к ничье. На примере базовых стратегий рассмотрим работу уравнения Беллмана, Q-обучения и обучения с преследованием.Используя различные стратегии, включая эпсилон жадные и оптимизированные эпсилон жадные, сравним их эффективность при игре друг с другом.Проект: разработка собственного выигрышного агента для игры в крестики-нолики.2. Задача балансировка тележки в физическом окружении. Используем CartPole AI Gym и научимся балансировать тележку в зависимости от данных сенсоров. Изучим принципы построения нейросети обучения с подкреплением (DQN = Deep Q-Network) и используем ее для ускорения и стабилизации процесса обучения.Сравним обучение агента на случайных процессах, на изучении распределения состояний среды (априорные и постериорные вероятности), на эмуляции кратковременной и долговременной памяти агента, разберем проблемы обучения и оптимизации полносвязной нейросети.Проект: разработка оптимизированной DQN для балансировки тележки.3. Игра в блекджек (21 очко). Используем окружение AI Gym для расчета оптимальных ходов при игре в Блекджек. Используем методы Монте-Карло, включая одиночные и множественные касания, единую и разделенную политики, а также оптимизацию исследовательских стартов.Визуализируем оптимальную политику поведения агента через изоповерхности в пространстве состояний среды.Проект: расчет оптимальной стратегии игры в блекджек.

Курс допоможе вам швидко вивчити Unreal Engine 4 на прикладному прикладі та досягти реалістичного рендерингу. Ви навчитеся переносити свої 3D сцени в UE4 та візуалізувати їх в реальному часі. Отримаєте готову сцену з красивою візуальною частиною та дізнаєтеся корисні інструменти для швидкої роботи з 3D.