Openbravo-rus.ru

Образование по русски
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Специалист по машинному обучению

Профессия Data Scientist: машинное обучение

Вы научитесь создавать аналитические системы и использовать алгоритмы машинного обучения, освоите работу с нейросетями. Наполните портфолио и получите престижную профессию.

Записаться на курс

  • Длительность 13 месяцев
  • Помощь в трудоустройстве
  • 7 курсов в одной программе
  • Доступ к курсу навсегда

На рынке не хватает специалистов по Data Science

  • 2 300 компаний сейчас ищут специалистов в Data Science & Machine Learning
  • 80 000 рублей зарплата начинающего специалиста

Данные сайта hh.ru

Кому подойдёт этот курс

Новичкам в IT

Вы получите базовые навыки по аналитике, статистике и математике, которые откроют путь к карьере в Data Science и Machine Learning.

Программистам

Вы прокачаете свои знания и навыки в программировании на Python. Научитесь использовать алгоритмы машинного обучения, решать бизнес-задачи — и усилите портфолио мощными проектами.

Менеджерам и владельцам бизнеса

Научитесь использовать данные для построения прогнозов и оптимизации бизнес-процессов и переведёте компанию на новый уровень.

Чему вы научитесь

Программировать на Python

Визуализировать данные

Работать с библиотеками и базами данных

Применять нейронные сети для решения реальных задач

Строить модели машинного обучения

Писать рекомендательные системы

От первого урока к работе мечты

Студенты и выпускники Skillbox получают индивидуальную поддержку от Центра карьеры на протяжении всего обучения — от помощи с выбором профессии до выхода на работу мечты. Вот как это происходит.

С каждым уроком ваш профессиональный уровень растёт и вы можете планировать карьеру уже во время обучения.

Реакция потенциального работодателя зависит от того, как вы подаёте себя в резюме. Мы дадим советы по его составлению и поможем написать резюме, подающее вас лучшим образом.

Выбираете лучшую вакансию

Мы экономим ваше время — подбираем подходящие вакансии и договариваемся об интервью с работодателем. Вам нужно только пройти собеседование.

Начинаете карьеру мечты

Вы успешно проходите собеседование, выходите на работу и сразу начинаете выполнять задачи.

Записаться на курс или получить бесплатную консультацию

Похоже произошла ошибка. Попробуйте отправить снова или перезагрузите страницу.

Ваша заявка успешно отправлена

Как проходит обучение

Изучаете тему

В курсе — практические видеоуроки.

Выполняете задания

В том темпе, в котором вам удобно.

Работаете с наставником

Закрепляете знания и исправляете ошибки.

Защищаете дипломную работу

И дополняете ею своё портфолио.

Программа

Вас ждут 7 курсов с разным уровнем сложности, знание которых можно приравнять к году работы.

  1. Аналитика. Начальный уровень
  1. Введение.
  2. Основы Python: базовые структуры данных.
  3. Основы Python: циклы и условия.
  4. Основы Python: функции.
  5. Основы Python: классы и объекты.
  6. Основы Python: исключения.
  7. Библиотека NumPy. Часть 1.
  8. Библиотека NumPy. Часть 2.
  9. Библиотека pandas. Часть 1.
  10. Библиотека pandas. Часть 2.
  11. Визуализация данных с помощью matplotlib.
  12. Чтение и запись данных.
  13. Введение в SQL.
  14. Работа со строками.
  1. Основы статистики и теории вероятностей.
  1. Основные концепции Machine Learning (ML).
  2. Жизненный цикл ML-проекта.
  3. Регрессия.
  4. Классификация.
  5. Кластеризация
  6. Дополнительные техники.
  7. Знакомство с Kaggle.
  1. Базовые математические объекты и SymPy. Дроби и преобразования.
  2. Базовые математические объекты и SymPy. Необходимые функции и некоторые дополнительные объекты.
  3. Функции одной переменной, их свойства и графики.
  4. Интерполяция и полиномы.
  5. Аппроксимация и преобразования функций.
  6. Функции нескольких переменных, их свойства и графики.
  7. Линейные функции.
  8. Матрицы и координаты.
  9. Линейные уравнения.
  10. Производная функции одной переменной.
  11. Производная по направлению и градиент + частные производные.
  12. Линейная регрессия.
  13. Собственные векторы и значения. Определитель.
  14. Разложения матриц.
  1. Введение в нейронные сети.
  2. Обучение нейронных сетей.
  3. Нейронные сети на практике.
  4. Свёрточные нейросети для задачи классификации изображений.
  5. Семантическая сегментация. Часть 1. Слабая локализация и полносвёрточные нейросети (FCN).
  6. Семантическая сегментация. Часть 2. Продвинутые архитектуры FCN для семантической сегментации.
  7. Детектирование объектов.
  8. От дискриминативных моделей к генеративным. Style transfer.
  9. Генеративные состязательные сети.
  10. Введение в NLP.
  11. NLP на нейросетях. Рекуррентные нейросети, классификация текстов.
  12. NLP на нейросетях. Языковые модели, Attention, Transformer.
  13. Обучение с подкреплением. Q-Learning.
  14. Обучение с подкреплением. Deep Q-Learning.
  15. Ускорение и оптимизация нейронных сетей.
  16. Внедрение в DL моделей в Production.
  17. Рекомендательные системы.
  18. Вывод моделей машинного обучения в production, post production и мониторинг.
  1. Как стать первоклассным программистом.
  2. Как искать заказы на разработку.
  3. Личный бренд разработчика.
  4. Photoshop для программиста.
  5. Вёрстка email-рассылок. Советы на реальных примерах.
  6. The state of soft skills.
  7. Как мы создавали карту развития для разработчиков.
  8. Как общаться по email и эффективно работать с почтой.
  9. Повышение своей эффективности.
  10. Спор о первом языке программирования.
  11. Саморазвитие: как я не усидел на двух стульях и нашёл третий.
  12. Data-driven подход к продуктивности — инсайты из данных миллиона людей.
  1. IT Resume and CV.
  2. Job interview: questions and answers.
  3. Teamwork.
  4. Workplace communication.
  5. Business letter.
  6. Software development.
  7. System concept development and SRS.
  8. Design.
  9. Development and Testing.
  10. Deployment and Maintenance.

Уже учились на каком-то курсе из программы?

Скажите об этом менеджеру — за этот курс платить не придётся!

Получить полную программу курса и консультацию

Похоже произошла ошибка. Попробуйте отправить снова или перезагрузите страницу.

Как стать специалистом по машинному обучению?

Для того , чтобы стать специалистом по машинному обучению необходимо реализовать 2 основных пункта. 1е без 2-го смысла иметь не будет.

1.Прохождение обучения по машинному и/или глубинному обучению. Необходимо отметить, в обоих случаях необходим сильный матетматический бэкграунд.

  1. Необходим опыт решения реальных задач, которые носят не академический, а практический характер. Здесь вам в помощь data science компании, одну из которых и представляет fscorelab и плозадка kaggle. Практикуйтесь! Практика в машинном обучении — это основа. Только так взращиваются эксперты!

Хочу заниматься ИИ(нейросетями и машинным обучением). С чего начать?

В отличие от других сфер в программировании (веб, мобайл, энтерпрайз, etc.) в машинном обучении математика и статистика очень важны. Начать нужно с математики. А затем перейти к статистике.

На самом начале пути, вы должны будете комфортно чувствовать себя с базовой линейной алгеброй (манипуляции с векторами и матрицами), логарифмическими и экспоненциальными функциями. Так же нужно знать теорию вероятностей (на самом базовом уровне), функции многих переменных, линейное программирование.

Во многих книгах по теме подразумеваетесь что вы уже знаете базы из Computer Science, и неплохо разбираетесь в математике, понимаете что такое распределенные вычисления.

Если говорить о языках программирования, то Python, R это –мастхев.

Машинное обучение можно поделить на два подвида:

Практическое машинное обучение
Это штука про подготовку данных, обработку данных, базы данных, написание скриптов для сбора данных и нахождение ответов в этой непонятной каше данных реального мира.

Теоретическое машинное обучение
Это про математику и абстракцию, про «идеальный мир» и «идеальные данные», про доказательство, что что-то возможно и как сделать что-то лучше.

Самое главное это начать, найдите данные (много открытых данных есть у Kaggle), подучите Python, посмотрите туториал и сделайте свою модель. Потом вы поймёте чего вам не хватает и сами будете искать ответы. Без английского тут никак, данных на русском нет.

Как стать data scientist, если знаешь основы программирования и уже учишь статистику и machine learning?

Если решитесь пойти самоучкой, то предлагаю завести аккаунт на гитхабе, если вы уже этого не сделали, и ваять-клепать отчёты о ваших исследованиях данных. Отчеты показывать, по сути они станут вашим портфолио.

Вот пример, на мой взгляд, качественного анализа данных. Сделать такой отчет-два, думаю, лишним не будет.

Но вообще, крайне рекомендую вам познакомиться с data scientist’ами и задать этот вопрос людям, которые как раз занимаются этим.

Чему или какой профессии, не имея образования, можно научиться или обучиться самостоятельно, чтобы потом зарабатывать на этом?

В современном мире можно научиться практически любому делу на могочисленных курсах и треннингах, не имея базы высшего образования. Исключитение составляют серьезные и точные профессии — в области медицины, техники и пр.

Знания по гуманитарным профессиям легко натаскать и самостоятельно.

Но есть один важный момент — работодатель смотрит на наличие ВО, несмотря на ваш опыт и мастерство. Поэтому, скорее всего, если будет выбор между кандидатом с ВО и Вами — он отдаст предпочтение другому. Или возьмет вас на работу при условии поступления в унивеситет на заочное обучение.

Если вы метите в руководители собственной фирмы, то, тоже имейте в виду, что не за горами изменения в законодательстве, об обязательном ВО для руководителей, пусть и собственного безнеса.

Читать еще:  Портал обучения хоум кредит для сотрудников ссылка

С чего начать изучение нейронных сетей?

Я бы порекомендовал с изучения языка программирования Python, далее scipy и numpy (библиотеки для Python). Параллельно изучать математику, которой много и она точно пригодится. По сути нужно описать модель между вводом и выводом информации. Кстати у Яндекса есть свой отличный курс этой тематики.

Какой минимум необходим для становления стажером-разработчиком по машинному обучению?

В разных компаниях собеседования строятся по-разному, требования, конечно, тоже разные. Что касается Яндекса, чтобы попасть на стажировку на позицию стажёра-разработчика ML, рекомендуется хорошо ориентироваться в следующих курсах:

Вы можете посмотреть программу курсов и постараться сориентироваться, владеете ли вы ей или нет.

Конечно, при этом необходимо не забывать про программирование (нужно владеть хотя бы одним языком программирования, чаще всего это Python или C++), алгоритмы (нужно знать стандартные алгоритмы вроде алгоритмов сортировки и обхода графов, уметь давать оценку сложности алгоритма) и структуры данных.

Программу-максимум, необходимую для успешного прохождения собеседования на позицию уже «взрослого» разработчика машинного обучения, можно найти вот здесь. Там же лежит много полезных материалов.

Как стать специалистом по контекстной рекламе?

В первую очередь, потребуется аналитический склад ума и способность к кропотливой работе с данными. Также потребуется хорошее знание теоретических аспектов контекстной рекламы и практический опыт. Здесь, как и в других сферах, лучше всего учиться на собственном опыте. Однако для повышения своего профессионализма можно пройти и специальные курсы. В помощь также — просмотр тематических каналов на YouTube, изучение статей и блогов на тему контекстной рекламы, обмен опытом в онлайн-сообществах коллег.

Есть ли толк в онлайн-курсах по программированию типа Codecademy, GeekBrains, Яндекс.Практикум, DataCamp? Можно ли там чему-то научиться с нуля не только для интереса, а для потенциальной работы?

Наверное, мой ответ будет непопулярным, но толк от курсов таки есть. Причины следующие:

  • Тебя проведут «за ручку» по професии, вместо блуждания в массиве неструктурированных знаний;
  • У тебя всегда будет под рукой опытный человек(ментор), которому можно задать вопрос разной степени глупости и получить на него ответ;
  • Некоторые курсы предлагают стажировки с наполнением портфолио, что тоже хороший бонус;
  • На уровне психологии, ты куда больше ценишь то, за что заплатил денег, поэтому к процессу отношение будет ответственнее;
    Однако, курсы все равно не исключают самообучение. Они делают его проще, задают направление. Ну и, разумеется, вопрос интереса. За одними деньгами в IT бежать через курсы — оказаться в массиве таких же. Постигаемая профессия должна нравиться, а такой формат обучения сделает постижение азов чуть быстрее.

Более того, нужно очень внимательно отнестись к выбору курсов, т.к. качество подачи материала может очень сильно отличаться.

И, да, небольшой инсайд: обилие курсов — это не совсем инфоцыганство, а потребность рынка. Мой хороший знакомый синьор-помидор-тимлид на вопрос, что он хочет от программиста в подчинении, ответил лаконично: «Лишь бы понимал, что делает, остальному научим». Про опыт и диплом выразился, что не настолько важно, как предыдущее. И это, к слову, одна из крупнейших IT-контор РФ(70-какое-то место).

Специалист по Data Science

программа профессиональной переподготовки

«Специалист по Data Science» — это программа по анализу данных и машинному обучению, которая охватывает все разделы современного анализа данных, в том числе глубинное обучение и его применения.

Программа начинается с самых основ — изучения программирования и базовых разделов математики — и переходит к разделам по машинному обучению, прикладной статистике и обработке данных, работе с большими данными, глубинному обучению, его применениям к изображениям, текстам и сигналам. При разработке программы мы сделали акцент на практическую работу и проектную деятельность.

По итогам программы вы получите самые актуальные знания в одной из самых востребованных областей 21 века, проекты в портфолио и диплом о профессиональной переподготовке установленного НИУ ВШЭ образца.

В декабре 2019 г. программа «Специалист по Data Science» стала сертифицированной программой нацпроекта «Цифровая экономика» и победила в номинации «Подготовка профессионалов цифровой индустрии».

академических часа, в том числе 440 часов лекций и семинаров.

Общий срок обучения — 17 месяцев.

Оплату можно разбить на 8 частей.

Для студентов, выпускников и слушателей основных и дополнительных программ НИУ ВШЭ предусмотрены скидки.

По итогам программы выдается Диплом о профессиональной переподготовке установленного НИУ ВШЭ образца.

Старт — 13 мая 2020 г.

Два раза в неделю, по средам с 19:00 по 22:00 и субботам с 15:30 по 18:30, очно

Каникулы в августе, перерыв на майские праздники.

Содержание программы

  • Введение в язык Python. Знакомство со средой программирования. Базовые операции. Интерпретация ошибок.
  • Строки и списки в Python.
  • Понятие управляющих конструкций. Условные операторы.
  • Циклы for и while.
  • Устройство функций в Python. Поиск ошибок в коде и отладка.
  • Итераторы, генераторы, генераторы списков. Рекурсия.
  • Работа с файлами. Продвинутая работа со словарями.
  • Библиотеки для хранения и работы с данными в табличном формате: pandas.
  • Сбор данных: web-scraping с BeautifulSoup.
  • Сбор данных: Selenium, работа с сервисами через API.
  • Объектно-ориентированное программирование. Классы.
  • Введение в numpy.
  • Введение в pandas.
  • Работы с пропущенными данными.
  • Визуализация для презентации данных: matplotlib. Основные виды графиков. Основные ошибки при создании визуализаций.
  • Создание интерактивных визуализаций: plotly.
  • Разведывательный анализ данных. Особенности исследования текста.
  • Асимптотический анализ.
  • Базовые структуры данных.
  • Сортировки.
  • Бинарные деревья поиска.
  • Хеш-таблицы.
  • Алгоритмы на графах.
  • Алгоритмы на строках.
  • Динамическое программирование.

Дискретная математика:

  • Множества и логика.
  • Комбинаторика и вероятность.
  • Неориентированные графы.
  • Ориентированные графы и алгоритмы на графах.

Математический анализ:

  • Функции одной переменной, пределы, производные.
  • Касательные, критические точки, поиск минимумов и максимумов.
  • Интегралы, введение в вычисление интегралов.
  • Функции нескольких переменных, градиент, производная по направлению, линии уровня, касательная плоскости, критические точки, поиск минимумов и максимумов.
  • Оптимизационные задачи, лагранжиан и его геометрический смысл, нахождение минимума или максимума с заданными ограничениями.

Линейная алгебра:

  • Системы линейных уравнений, матрицы, обратимость и невырожденность.
  • Определитель, обратная матрица.
  • Векторные пространства и подпространства, размерности, ранги матриц.
  • Линейные отображения и их матричное описание. Собственные значения и векторы, связь со спектром.
  • Билинейные и квадратичные формы. Скалярные произведения, углы и расстояния. Ортогонализация и QR-разложение. Линейные многообразия и линейные классификаторы, отступы.
  • Операторы в евклидовых пространствах. Сингулярное разложение (SVD).

Теория вероятностей:

  • Пространство элементарных исходов. События. Вероятность и её свойства. Условная вероятность. Формула полной вероятности. Формула Байеса.
  • Дискретные случайные величины и их распределения. Независимость случайных величин. Распределение функции от дискретной случайной величины. Математическое ожидание и дисперсия.
  • Случайные величины, имеющие плотности. Математическое ожидание случайной величины, имеющей плотность. Равномерное, экспоненциальное, нормальное распределения.
  • Функция распределения. Распределение функции от случайной величины, имеющей плотность. Многомерные случайные величины. Ковариация и корреляция.
  • Неравенства концентрации (неравенства Маркова и Чебышёва). Распределение суммы случайных величин. Закон больших чисел. Центральная предельная теорема.

Я хочу изучать AI и машинное обучение. С чего мне начать?

Когда-то я работал в Apple Store и мечтал изменить свою жизнь: вместо обслуживания техники Apple, мне хотелось ее создавать.

Я начал изучать машинное обучение (ML) и искусственный интеллект (AI), потому что на этом поприще творятся невероятные вещи. К тому же, эта область активно развивается.

Например, такое ощущение, что Google или Facebook каждую неделю выпускают новую технологию AI, чтобы ускорить работу или улучшить наш с вами пользовательский опыт.

И даже не будем затрагивать такую тему, как растущее число компаний по производству беспилотных автомобилей. Это отличная идея, но, к сожалению, я не поклонник вождения.

Несмотря на все вышеперечисленное, до сих пор не существует согласованного понятия искусственного интеллекта (AI).

Некоторые утверждают, что глубокое обучение можно рассматривать как AI, другие говорят, что это не AI, пока не пройден Тест Тьюринга.

Из-за отсутствия четкого определения, мой прогресс изрядно затормозился в начале. Было трудно разобраться в том, что не имело строгого определения.

С чего я начал?

Начнем с того, что, какое-то время назад, я и мои друзья запустили веб-стартап. Он провалился. В итоге мы сдались и не стали продолжать из-за бессмысленности идеи. Но во время работы над стартапом, я все больше и больше узнавал о таких вещах, как ML и AI.

Я не мог поверить в то, что компьютер может что-то учить для меня.

Читать еще:  Обучение программы excel самостоятельно

Через какое-то время я наткнулся на курс от Udacity под названием Deep Learning Nanodegree. На одном из промо-роликов я увидел забавного человека по имени Сирадж Раваль. Он заразил меня своей энергией и я записался на курс, несмотря на то, что совсем не отвечал основным требованиям (я ни разу не писал на Python).

За 3 недели до начала курса, я написал в Службу Поддержки Udacity, с вопросом об их политике возврата средств. Я боялся, что не смогу закончить курс.

Что же, мне не потребовался возврат, так как я закончил курс в установленный срок. Было действительно тяжело. Мои первые проекты были сданы с опозданием на четыре дня. Я шел вперед только из-за гордости от принятия участия в данном проекте.

Окончив Deep Learning Nanodegree, я гарантированно получал доступ к другим курсам Udacity, таким как AI Nanodegree, Self-Driving Car Nanodegree или Robotics Nanodegree.

Но я был растерян. Что делать дальше?

Мне нужен был учебный план. Я получил необходимые базовые знания с помощью Deep Learning Nanodegree, теперь пришло время выяснить, куда двигаться дальше.

Моя собственноручно созданная степень магистра по AI

В мои планы точно не входило возвращаться в университет. К тому же $100,000 на дороге не валяются, чтобы получить степень магистра.

Поэтому я сделал то, что сделал в самом начале своего пути — попросил своего наставника Google о помощи.

Я понял, что погрузился с головой в глубокое обучение без каких-либо знаний в этой области, вместо того, чтобы постепенно взбираться на верхушку айсберга под названием AI.

Просмотрев кучу курсов, я составил список самых интересных в Trello.

Я знал, что онлайн-курсы имеют высокий процент отсева, но я не собирался становиться частью этих отсеявшихся участников. У меня была миссия.

Чтобы привить себе ответственность, я решил делиться своими успехами и неудачами в Интернете. Помимо этого, там я мог бы найти других людей, которые заинтересованы в том же, что и я.

Я сделал доску Trello открытой и написал о своих начинаниях в блоге.

Мой учебный план немного изменился с тех пор, как я впервые написал его, но он по-прежнему актуален, и я посещаю доску Trello несколько раз в неделю, чтобы отслеживать свой прогресс.

Получение работы

Я следовал своему учебному плану вот уже более года, настало время на практике применить свои навыки. Поэтому я купил билет на самолет в один конец в США.

Мой план заключался в том, чтобы добраться до США и получить работу.

Однажды, девушка по имени Эшли написала мне на LinkedIn вот такое письмо: “Я видела твои посты и они на самом деле отличные, я думаю, тебе стоит встретиться с Майком”.

Я встретился с Майком и рассказал ему свою историю онлайн-обучения, о том как мне нравится Health Tech и о своих планах по переезду в США. Майк сказал мне: “Тебе лучше остаться тут на год или дольше, и посмотреть, что из этого выйдет. Кроме того, советую тебе встретиться с Кэмероном”.

Я встретился с Кэмероном и у нас был практически такой же диалог, что и с Майком. Health Tech, онлайн-обучение, США. Кэмерон сказал мне: “Мы с командой работаем над некоторыми проблемами в области здравоохранения, почему бы тебе не прийти к нам в четверг?”.

Настал четверг. Мои нервы были на пределе. Чтобы успокоиться, я вспомнил слова какого-то мудрого человека: нервное состояние — это то же самое, что и воодушевленное. Я перестал нервничать и переключился на нужное, в данной ситуации, состояние.

Весь день я знакомился с командой Max Kelsen.

Две недели спустя, Ник — генеральный директор, Атон — ведущий инженер по машинному обучению и я пошли за кофе.

“Ты хотел бы присоединиться к команде?” — спросил меня Ник.

“Конечно” — ответил я.

Билет в США мне не понадобился.

Делитесь своей работой

Я знаю, что онлайн-обучение не является традиционной формой обучения. Все специальности, к которым я обращался, требуют степени магистра или, по крайней мере, какую-то техническую степень.

Никакой степени у меня, естественно, не было. Но у меня были навыки, которые я получил, благодаря множеству онлайн-курсов.

Во время обучения, я делился своей работой в Интернете. Мой GitHub был заполнен проектами, которые я сделал, профиль на LinkedIn я забросил и стал делиться своими знаниями через YouTube и статьи на Medium.

Я никогда не писал резюме для Max Kelsen, потому что они и так уже все про меня знали из моего профиля на LinkedIn.

Моя публичная деятельность и была моим резюме.

Независимо от того, учитесь ли вы онлайн или получаете степень магистра, наличие портфолио с примерами ваших работ — отличный способ показать себя.

Да, навыки по ML и AI востребованы, но это не значит, что вам ничего не придется делать, чтобы получить работу. Продемонстрировать навыки придется, потому что даже гениальный продукт не будет продаваться, если его не поместить на видное место.

Создайте себе профиль на GitHub, Kaggle, LinkedIn или просто заведите блог — люди должны о вас как-то узнать. Кроме того, иметь собственный уголок в Интернете — очень весело.

Как начать?

На каких платформах учиться? Какие курсы лучше выбрать?

Однозначного ответа нет. Учебный процесс у всех складывается по-разному. Некоторые люди лучше учатся по книгам, другие по видео.

Важнее не то, как начать, а почему вы это начинаете.

Начните с определения причины.

  • Почему вы хотите изучать эти навыки?
  • Вы хотите много зарабатывать?
  • Вы хотите создавать что-то интересное?
  • Вы хотите что-то изменить в нашем мире?

Опять же, нет единственно верной причины. Все они верны по-своему.

Наличие “почему” означает, что в трудные времена у вас будет к чему обратиться за помощью, чтобы напомнить себе, почему вы все это затеяли.

Определили свое “почему”? Хорошо. Пришло время перейти к самой трудной части.

Я могу рекомендовать только то, что сам пробовал.

Вот курсы, которые я окончил (по порядку):

  • Treehouse — Введение в Python
  • Udacity —Глубокое обучение и AI
  • Coursera — Глубокое обучение от Andrew Ng
  • fast.ai — Часть 1, скоро будет Часть 2

Я лучше воспринимаю визуальную информацию, то есть когда мне наглядно показывают и объясняют разные вещи. Все эти курсы заточены на таких как я.

Если вы абсолютный новичок, начните с вводных курсов по Python, а затем, когда станете более уверены в своих знаниях, переходите к data science, машинному обучению и AI.

Нужны ли углубленные знания по математике?

Самый высокий уровень математического образования, который я получил, был еще в старшей школе. Остальное я узнал через Khan Academy, поскольку эти знания были мне необходимы.

Существует большое количество мнений по поводу того, какой уровень знаний по математике нужно иметь, чтобы попасть в сферу машинного обучения и AI. Я поделюсь с вами своим мнением.

Если вы хотите применить знания ML и методы AI к какой-либо проблеме, вам не обязательно нужно иметь глубокое понимание математики, чтобы достичь хорошего результата.

Такие библиотеки, как TensorFlow и PyTorch позволяют создавать, при небольшом знании Python, современные модели, в то время как математика делает основную работу за кулисами.

Если же вы собираетесь углубиться в машинное обучение и AI, поступив в университет или куда-то еще, глубокие знания по математике играют наиважнейшую роль.

Лично я не собираюсь углубляться в математику и улучшать производительность алгоритма на 10%. Оставлю это людям, которые умнее меня.

Вместо этого, я буду использовать доступные мне библиотеки и манипулировать ими как мне угодно, чтобы решать проблемы по своему усмотрению.

Что на самом деле делает специалист по машинному обучению?

То, что специалист по машинному обучению делает на практике, может оказаться совсем не тем, о чем вы думаете.

Например, несмотря на распространенный факт, мы не работаем с роботами, у которых красные и страшные глаза.

Вот несколько вопросов, которые ежедневно задает себе специалист по ML:

  • Концепция — как можно использовать ML, чтобы узнать больше о проблеме?
  • Данные —сколько данных вам требуется? В каком формате они должны быть? Что вы делаете, когда данные отсутствуют?
  • Моделирование — какую модель следует использовать? Хорошо ли она работает с данными (переобучение)? Если работает плохо, то почему?
  • Производство — как вы можете использовать свою модель в производстве? Должна ли это быть онлайн-модель или она должна обновляться через определенные промежутки времени?
  • Будущее — что произойдет, если ваша модель сломается? Можно ли улучшить ее с большим количеством данных?
Читать еще:  It management обучение

Я позаимствовал эти вопросы из замечательной статьи Рейчел Томас, одной из основательниц fast.ai.

Кроме того, я снял видео о том, чем мы занимаемся по понедельникам в Max Kelsen.

Нет однозначно верного пути

Не существует правильного или неправильного способа попасть в сферу ML или AI.

Самое прекрасное в этой сфере то, что у нас есть доступ к одним из передовых технологий в мире, и все, что нам нужно сделать — это научиться правильно их использовать.

Вы можете начать с изучения Python.

Вы можете начать с изучения исчисления и статистики.

Вы можете начать с изучения философии принятия решений.

Машинное обучение и AI привлекает меня именно тем, что тут сходится так много разнообразных областей.

Чем больше я узнаю, тем больше еще остается узнать. И это подстегивает меня двигаться вперед.

Когда мой код не запускается или я не понимаю концепцию, я временно прекращаю работу. Я сдаюсь, позволяя себе уйти от проблемы, немного вздремнуть или сходить на прогулку. Когда я возвращаюсь со свежей головой, я смотрю на проблему под другим углом. Воодушевление возвращается и я продолжаю учиться.

Начните свое обучение с того, что вам больше всего по душе. Если это приведет вас в тупик, вернитесь назад и выберите другой путь.

Компьютеры умны, но они все еще не могут учиться самостоятельно. Им нужна ваша помощь.

Специалист по Big Data / машинному обучению

Сфера деятельности

Информационные технологии, интернет, связь

Вид деятельности

Анализировать и упорядочивать текстовую информацию, делать расчеты, программировать, исследовать

Краткое описание

Специалист по Big Data (аналитик Big Data, инженер Big Data, Data Scientist, специалист по машинному обучению) — это программист, который работает с большими массивами данных разной степени разрозненности и структурированности: банковские счета, запросы пользователей в поисковых системах, поведение пользователей социальных сетей, публикации СМИ, открытые фото- и видеофайлы, данные сейсмической активности планеты, метеорологические сводки и другие данные, которые занимают терабайты памяти, превосходят возможности типичных баз данных и доступны для обработки только компьютером.

Работа с большими данными открывает недоступные ранее возможности в самых разных областях – сейчас анализ Big Data широко используется в IT, маркетинге, банковском секторе, государственном управлении, сельском хозяйстве. Например, крупные банки для предотвращения краж денег с кредитных карт анализируют ежедневные траты клиентов. Если сравнивать активность пользователей, которые имеют сходные «финансовые привычки», то аномальные траты одного пользователя (крупное снятие с кредитной карты, снятие денег в другой стране) сразу говорят о том, что картой могли завладеть мошенники и ее необходимо заблокировать.

Работа с Big Data часто сопровождается внедрением алгоритмов машинного обучения: например, современные технологии городского видеонаблюдения умеют распознавать лица людей в толпе. Чтобы компьютер освоил данную операцию, специалист по машинному обучению подбирает эталонный массив данных, где каждое лицо на видеофайле распознано. Машина анализирует информацию и учится распознавать самостоятельно. Вначале, конечно, она допускает ошибки, которые специалист исправляет, но с каждым новым исправлением компьютер работает все более точно.

Чем занимается специалист по Big Data и специалист по машинному обучению:

    • Постановка целей анализа совместно с заказчиком
    • Составление технического задания на анализ неструктурированного массива данных
    • Сбор и исследование массива данных, выявление существенных признаков, поиск закономерностей
    • Компьютерное моделирования процесса анализа / машинного обучения на небольших объемах данных
    • Оптимизация процесса анализа, корректировка алгоритмов
    • Применение алгоритмов ко всему объему данных
    • Оценка результатов
    • Составление отчетов с прогнозами и презентацией данных

Где учиться

Направления обучения:
Математика и механика (01.00.00)
Компьютерные и информационные науки (02.00.00)
Информатика и вычислительная техника (09.00.00)
Информационная безопасность (10.00.00)

    • Московский Авиационный Институт (МАИ) Факультет № 3 «Системы управления, информатика и электроэнергетика», Факультет № 4 «Радиоэлектроника летательных аппаратов», Факультет № 8 «Прикладная математика и физика»
    • Московский Государственный Технический Университет «МАМИ» (МАМИ) Факультет автоматизации и информационных технологий
    • Московская академия рынка труда и информационных технологий (МАРТИТ) Кафедра прикладной информатики
    • Московский государственный технологический университет им. К.Э. Циолковского (МАТИ) Институт информационных систем и технологий
    • Московский государственный индустриальный университет (МГИУ) Институт информационных технологий и управления в технических системах
    • Московский государственный технический университет им. Н.Э. Баумана (МГТУ) Факультет «Информатика и системы управления»
    • Московский государственный технический университет гражданской авиации (МГТУ ГА) Факультет прикладной математики и вычислительной техники
    • Московский государственный технологический университет «Станкин» (МГТУ «Станкин») Факультет информационных технологий и систем управления
    • Московский государственный технический университет электроники и информатики (МИРЭА)
    • Национальный исследовательский ядерный университет «МИФИ» (МИФИ) Факультет экспериментальной и теоретической физики, Факультет кибернетики и информационной безопасности, Факультет очно-заочного обучения
    • Национальный исследовательский университет «МИЭТ» (МИЭТ) Факультет микроприборов и технической кибернетики, Факультет электроники и компьютерных технологий, Факультет прикладных информационных технологий
    • Московский технический университет связи и информатики (МТУСИ) Факультет информационных технологий
    • Московский государственный университет экономики, статистики и информатики (МЭСИ)
    • Национальный исследовательский университет «Высшая школа экономики» (НИУ ВШЭ) МИЭМ Факультет компьютерных наук
    • Московский государственный университет им. М.В. Ломоносова (МГУ) Факультет вычислительной математики и кибернетики
    • Московский физико-технический институт (университет) (МФТИ) Факультет инноваций и высоких технологий, Факультет нано-, био, информационных и когнитивных технологий, Факультет радиотехники и кибернетики, Факультет аэромеханики и летательной техники
    • Российский университет дружбы народов (РУДН) Факультет физико-математических и естественных наук
      Колледжи, техникумы, училища:
    • Колледж информатики и программирования ФУ при правительстве РФ (КИП ФУ)
    • Красногорский колледж
    • Московский авиационный техникум им. Н.Н. Годовикова (МАВИАТ)
    • Университетский колледж информационных технологий МГУТУ им. К.Г. Разумовского (МГКИТ)
    • Московский государственный колледж электромеханики и информационных технологий (МГКЭИТ)
    • Факультет среднего профессионального образования МГУПИ (МГУПИ)
    • Московский колледж управления и новых технологий (МКУиНТ)
    • Московский приборостроительный техникум РГТЭУ (МПТ РГТЭУ)
    • Московский техникум информатики и вычислительной техники (МТИВТ)
    • Московский техникум космического приборостроения РГТЭУ (МТКП РГТЭУ)
    • Московский технический техникум (МТТ)
    • Социально-педагогический колледж МГППУ (СПК МГППУ)
    • Химкинский техникум космического энергомашиностроения МАИ (ХТКЭ МАИ)
    • Коммерческо-банковский колледж № 6 (КБК №6)
    • Колледж связи № 54 (КС № 54)
    • Колледж многоуровневого профессионального образования РАНХиГС (КМПО РАНХиГС)
    • Колледж Московского государственного университета дизайна и технологии (Колледж МГУДТ)
    • Колледж Московского государственного университета экономики, статистики и информатики (Колледж МЭСИ)
    • Государственное автономное учреждение СПО Колледж «Угреша» (Колледж «Угреша»)
    • Московский государственный колледж электромеханики и информационных технологий (МГКЭИТ)
    • Московский колледж железнодорожного транспорта (МИИТ МКЖТ)
    • Московский колледж профессиональных технологий (МКПТ)
    • Московский приборостроительный техникум РГТЭУ (МПТ РГТЭУ)
    • Московский техникум информатики и вычислительной техники (МТИВТ)
    • Ступинский авиационно-металлургический техникум им. А.Т. Туманова (САМТ им. А.Т. Туманова)
    • Социальный колледж Российского государственного социального университета (СК РГСУ)
    • Отделение СПО факультета сервисных технологий РГУТиС (ФСТ РГУТиС)
    • Экономико-технологический колледж (на правах факультета) МГГУ им. М.А. Шолохова (ЭТК МГГУ)
    • Колледж архитектуры и строительства № 7 (КАС №7)
    • Колледж предпринимательства №11 (КП №11)
    • Строительный техникум № 12 (СТ №12)
    • Технологический колледж №14. Первый Московский образовательный комплекс (ТК №14)
    • Колледж автоматизации и информационных технологий №20 (КАИТ 20)
    • Технологический колледж №24 (ТК №24)
    • Политехнический колледж № 39 (ПК № 39)
    • Колледж связи № 54 (КС № 54)
    • Технический пожарно-спасательный колледж № 57 им. героя РФ В.М. Максимчука (ТПСК №57)
    • Железнодорожный колледж №52 (ЖК №52)
    • Колледж индустрии гостеприимства и менеджмента №23 (КИГМ №23)
    • Колледж автоматизации и информационных технологий №20 (КАИТ 20)
    • Политехнический колледж №8 им. Дважды Героя Советского союза И.Ф. Павлова (ПК №8)
    • Павлово-Посадский промышленно-экономический техникум (ПППЭТ)
    • Московский техникум космического приборостроения РГТЭУ (МТКП РГТЭУ)
    • Московский приборостроительный техникум РГТЭУ (МПТ РГТЭУ)
    • Московский колледж градостроительства и предпринимательства (МКГП)
    • Московский государственный техникум технологий и права (МГТТиП)
    • Университетский колледж информационных технологий МГУТУ им. К. Г. Разумовского (МГКИТ)
    • Колледж Московского гуманитарного университета (Колледж МосГУ)
    • Колледж экономики, страхового дела и информационных технологий (Колледж КЭСИ)
    • Строительный техникум № 30 (СТ 30)
Ссылка на основную публикацию
Adblock
detector