ФинТех Хаб - подразделение Департамента финансовых технологий Банка России. Руководитель - Наталия Ицкович (ЦБ), курс читают Адель Валлиулин, Элизавета Вялых (Газпромбанк Тех).
https://finclass.teachbase.ru/program_sessions/30479/detail/content
Адель Валиуллин, начальник Центра Технологий Искусственного Интеллекта Газпромбанк.Тех, преподаватель курсов по ИИ и машинному обучению на ФКН ВШЭ, в МГТУ им. Н.Э. Баумана и Сириусе. Адель с отличием окончил факультет Робототехники и Комплексной Автоматизации МГТУ им.Н.Э.Баумана.
⭐️ Интересный факт: Адель входит в топ-100 международного рейтинга Kaggle специалистов по машинному обучению (максимальный рейтинг 68), а также является победителем и призером международных и российских хакатонов по машинному обучению и ИИ.
➡️ Подробнее про путь в Kaggle можете узнать тут. https://tproger.ru/articles/kak-stat-top-100-na-kaggle-i-topovym-data-scientist-om-za-kotorym-ohotyatsya-rabotodateli
Адель считает: "Если человек смог уместить в голове большую сложную теорию из математики или физики, то и в бизнесе он сможет делать интересные полезные выводы, поэтому в банке очень любят ребят с сильным фундаментальным образованием"
Элизавета Вялых, аналитик-исследователь Центра Технологий Искусственного Интеллекта Газпромбанк.Тех.
? Самая крутая вещь по мнению Элизы: опыт из одной области можно экстраполировать на другие области. На первом курсе Элиза работала в венчурном фонде и прокачала свои soft skills, затем — в стартапе, где построила свою первую ML-модель.
▶️После большого количества научных лабораторий МФТИ, роботов, дронов, двигателей, оптико-электронных приборов, дошла до Газпромбанка. Сейчас работает в заряженной команде с супер-крутыми специалистами Центра ИИ технологий.
Совет Элизы участникам программы: "Чем больше новых действий вы выполняете ежедневно, тем больше мозг создает нейронных связей и тем проще становится придумывать новые идеи".
Содержание курса
- О программе. Из блока вы узнаете основную информацию о программе, а также познакомитесь с преподавателями программы.
- Введение в машинное обучение. Лекции блока верхнеуровнево погрузят вас в основные понятия машинного обучения, линейной алгебры, теории вероятностей, статистики и математического анализа.
- Python Вы познакомитесь с основами языка Python и его ключевыми библиотеками.По итогу блока будет проведен онлайн-семинар с разбором синтаксиса Python.
- Построение ML-проекта. Блок состоит из 3 лекций, из которых вы узнаете как построить ML-проект, что используются для измерения качества моделей машинного обучения, а также разберетесь с видами машинного обучения и понятиями линейной и логистической регрессии.По итогу блока будет проведен онлайн-семинар.
- Дерево решений. Случайный лес. Ансамбли. Блок посвящен методам машинного обучения. Вы изучите решающие деревья и их построение, ансамблевые методы (случайный лес), а также разберетесь с преимуществами и недостатками разных методов.
- Нейросети. В лекциях вы познакомитесь с понятием "Нейросеть", узнаете, какие типы нейросетей существуют, из чего они состоят и как функционируют. По итогу лекций будет проведен онлайн-семинар.
- Kaggle. В завершающем блоке вы познакомитесь Kaggle, платформой по анализу данных, машинному обучению и искусственному интеллекту.После лекции мы проведем онлайн-семинар, где преподаватель анонсирует механику отбора на модуль 2.
Материалы из курса
- Python
- Эрик Маттес - « Ускоренный курс Python»
- Марк Лутц - «Изучаем Python»
- Уэс Маккинни - «Python и анализ данных»
- Тренажёры по написанию кода: Codeforces, LeetCode или TopCoder
- ML
- Себастьян Рашка - «Python и машинное обучение»
- Педро Домингос - «Верховный алгоритм»
- Математика:
- Владимир Савельев - «Статистика и котики»
- Б. А. Севастьянов - «Курс теории вероятностей и математической статистики»
- Сара Бослаф - «Статистика для всех»
- Д.В. Беклемишев - «Курс аналитической геометрии и линейной алгебры»
Мои репозитории на GitHub по ML
Основные моменты
Линейная регрессия - это регрессионный алгоритм для машинного обучения, в то время как логистическая регрессия - это алгоритм классификации для машинного обучения. Логистическая регрессия основана на логистической функции (она же сигмоидная функция), которая принимает значение и присваивает ему вероятность от 0 до 1.
Линейная регрессия - это широко используемый статистический метод, который используется для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Линейная регрессия имеет ряд преимуществ, таких как простота и понятность, возможность моделировать как простые, так и сложные наборы данных и возможность делать прогнозы относительно зависимой переменной на основе значений независимых переменных.
Дополнительные материалы
- Прикладная математика для машинного обучения (Независимый Московский университет)
- Машинное обучение для людей. Разбираемся простыми словами
- Дайзенрот Марк Питер, Альдо Фейзал А., Чен Сунь Он Д14 Математика в машинном обучении. — СПб.: Питер, 2024. — 512 с.: ил. — (Серия «Для профессионалов»). ISBN 978-5-4461-1788-8
- Статьи об ML
- Hidden Technical Debt in Machine Learning Systems. D. Sculley, Gary Holt, Daniel Golovin, Eugene Davydov, Todd Phillips