Похожие элементы

ФинТех Хаб  - подразделение Департамента финансовых технологий Банка России. Руководитель - Наталия Ицкович (ЦБ), курс читают Адель Валлиулин, Элизавета Вялых (Газпромбанк Тех).

URL 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

  1. О программе. Из блока вы узнаете основную информацию о программе, а также познакомитесь с преподавателями программы.
  2. Введение в машинное обучение. Лекции блока верхнеуровнево погрузят вас в основные понятия машинного обучения, линейной алгебры, теории вероятностей, статистики и математического анализа.
  3. Python Вы познакомитесь с основами языка Python и его ключевыми библиотеками.По итогу блока будет проведен онлайн-семинар с разбором синтаксиса Python.
  4. 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.
  5. 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.
  6. 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.
  7. 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

Добавить комментарий