Робота з даними
Зможете готувати та досліджувати дані, виділяти ознаки та помічати проблеми, що впливають на навчання.
Освойте основи машинного навчання - від підготовки даних та вибору алгоритму до навчання, оцінки та застосування моделі. На курсі ви розберетеся, як комп'ютерна програма знаходить закономірності даних, будує прогнози і допомагає вирішувати практичні завдання: класифікувати об'єкти, оцінювати ймовірності, групувати схожі записи та аналізувати зображення чи текст.
Теорія буде пов'язана з практикою Python. Ви навчитеся збирати та досліджувати дані, знаходити перепустки та помилки, готувати ознаки, ділити вибірку на навчальну та перевірочну, вибирати метрики та порівнювати результати моделей. Такий робочий процес допомагає зрозуміти, чому модель помиляється і які зміни справді покращують її якість.
Поступово ви перейдете від класичних алгоритмів до нейронних мереж. Вивчіть навчання з вчителем і без вчителя, ознайомтеся з навчанням із підкріпленням та переносом навчання, а також розгляньте архітектури для роботи з таблицями, зображеннями, послідовностями та текстом. Окрема увага приділяється тому, як застосовувати готові моделі та адаптувати їх під конкретне завдання.
Програма знайомить із інструментами, які використовуються в сучасному ML-процесі: від бібліотек аналізу даних та фреймворків для навчання до засобів запуску та інтеграції моделей. Ви навчитеся вибирати відповідний інструмент, проводити експерименти та оформляти результат у вигляді проекту, який можна розвивати далі.
Курс підійде тим, хто хоче отримати фундаментальні знання та практичний старт у напрямку Machine Learning Engineer. Ви освоїте базові етапи роботи з ML-моделями та створите власні навчальні проекти. Глибина окремих тем та набір застосовуваних технологій залежатимуть від рівня групи, завдань та доступних обчислювальних ресурсів.
Отримайте системне введення в машинне навчання: від даних та базових алгоритмів до нейромереж та оцінки результатів.
Розширіть навички розробки та навчитеся включати обробку даних, навчання моделей та прогнозування програмних проектів.
Розберете робочий процес побудови моделей та зможете впевненіше перевіряти гіпотези на даних.
Зрозумієте, як ML застосовується для прогнозування, класифікації, пошуку закономірностей та оптимізації процесів.
Закріпіть теоретичні знання практикою з Python та бібліотеками машинного навчання.
Сформуєте фундамент для подальшого вивчення нейронних мереж, моделей машинного навчання та їх застосування у продуктах.
Навчання проходить онлайн і поєднує пояснення ключових концепцій із практичною роботою в Python. Ви розбиратимете приклади, запускатимете алгоритми на даних, порівнюватимете прогнози та оформлятимете висновки. У міру просування курсу завдання будуть складнішими: від аналізу готового набору даних до самостійного складання та перевірки моделі.
Практика будується навколо повного ML-циклу: сформулювати завдання, підготувати дані, вибрати підхід, навчити модель, оцінити якість та пояснити результат. У підсумковому проекті ви застосуєте кілька вивчених етапів до одного завдання та уявіть, як отримана модель може використовуватися далі.
Основою практики стане Python. Для роботи з даними та обчисленнями будуть розглядатися NumPy, Pandas та SciPy, а для візуального аналізу – Matplotlib та Seaborn. Ви будете використовувати Jupyter Notebook або аналогічне середовище, щоб дослідити набори даних, виконувати експерименти та фіксувати результати.
Крім бібліотек ви познайомитеся з основами роботи з GPU та хмарними обчисленнями там, де цього вимагатиме завдання. Важливо розуміти призначення кожної групи інструментів: одні допомагають аналізувати дані, інші навчають моделі, треті прискорюють або спрощують запуск. Не всі ці технології використовуються в кожному проекті — стек підбирається під навчальне завдання і доступне обладнання.
Почнете з базових нейронних мереж та розберете шари, функції активації, функцію втрат, градієнтний спуск та основні етапи навчання.
Вивчіть, як згорткові шари отримують ознаки з зображень та інших просторових даних. Розгляньте завдання класифікації зображень та типовий процес підготовки таких даних.
Ознайомтеся з моделями для послідовних даних та тимчасових рядів. Розберіть, як LSTM і GRU допомагають враховувати контекст на послідовних кроках, та порівняйте їх із сучасними підходами.
Вивчіть базову ідею механізму уваги та застосування трансформерів для тексту та інших послідовностей. На практиці познайомитеся з використанням попередньо навчених моделей та їх адаптацією під завдання.
Розгляньте принцип роботи генератора та дискримінатора, які навчаються у змагальному процесі, та познайомитесь з навчальними завданнями генерації даних.
Програма послідовно ознайомлює з основами машинного навчання, аналізом даних, класичними алгоритмами та нейронними мережами. Практичні завдання допоможуть пройти ключові етапи побудови моделі та зібрати підсумковий проект.
Розберіться, які завдання вирішує машинне навчання, як дані перетворюються на прогноз і з яких етапів складається ML-проект. Навчіться формулювати завдання та вибирати вимірний результат.
Освойте робоче середовище Jupyter і познайомтесь з інструментами Python для обчислень і обробки даних. Потренуєтеся завантажувати набори даних та виконувати первинний аналіз.
Навчіться перевіряти якість даних, працювати з пропусками, викидами та категоріальними ознаками. Розберіть поділ вибірок, нормалізацію та ризик витоку даних між навчанням та перевіркою.
Вивчіть базові моделі регресії та класифікації, навчитеся збирати простий ML-конвеєр, навчати алгоритм та отримувати прогнози на нових прикладах.
Ознайомтеся з метриками, валідацією, перенавчанням та підбором параметрів. Навчіться порівнювати моделі та пояснювати, яке рішення краще підходить для поставленого завдання.
Розгляньте кластеризацію, зниження розмірності та пошук структури даних без готових відповідей. Спробуєте інтерпретувати одержані групи та обмеження таких методів.
Ознайомтеся з XGBoost, LightGBM та CatBoost на навчальних прикладах. Порівняйте результати бустингу з іншими алгоритмами та розберете особливості роботи з табличними даними.
Розберіть основні компоненти нейронної мережі, цикл навчання та роботу з PyTorch та TensorFlow/Keras 3. Створіть базову модель та простежте, як змінюється її якість при налаштуванні навчання.
Ознайомтеся з ключовими архітектурами для зображень, послідовностей та тексту, а також із генеративно-змагальним підходом. Порівняйте їх сфери застосування і потренуєтесь використовувати готові моделі там, де це доречно.
Адаптуєте попередньо навчену модель або доопрацюєте обраний алгоритм. Підготуйте підсумковий проект, оцініть його результат та розгляньте варіанти інтеграції або запуску моделі за допомогою ONNX Runtime, vLLM або іншого відповідного інструменту.
Ви отримаєте цілісне уявлення про роботу над ML-завданням: від аналізу вихідних даних до вибору моделі, перевірки її якості та представлення результату.
Зможете готувати та досліджувати дані, виділяти ознаки та помічати проблеми, що впливають на навчання.
Навчіться навчати базові моделі класифікації та регресії, порівнювати варіанти та вибирати метрики.
Отримайте фундаментальне уявлення про CNN, RNN, LSTM, GRU, Transformers та GAN.
Ознайомтеся з екосистемою бібліотек для аналізу даних, класичного ML та глибокого навчання.
Освойте Python-інструменти для аналізу та машинного навчання, а також отримайте практичний досвід роботи з класичними алгоритмами та нейронними мережами.
Розберіться в transfer learning і познайомитеся із заздалегідь навченими моделями з екосистеми Hugging Face.
Пройдіть ключові етапи ML-процесу і підготуйте модель для демонстрації або подальшого доопрацювання.
$350 / місяць
Формат оплати – щомісячна передплата. Вартість включає два заняття на тиждень, практичні завдання та роботу над власними проектами у рамках програми курсу.
Ви вивчите основи роботи з даними, класичні алгоритми машинного навчання, методи навчання моделей та основні типи нейронних мереж. Практика буде виконуватись на Python.
Курс включає знайомство з Python інструментами для аналізу даних. Базові навички Python та математики допоможуть швидше включитись у практику; глибина вхідних вимог залежить від набору та формату групи.
Навчання з учителем та без вчителя, основи навчання з підкріпленням, RLHF як окрема тема та трансферне навчання.
Повнозв'язкові мережі, CNN, рекурентні мережі RNN, включаючи LSTM та GRU, трансформери та GAN.
У програмі представлені Python-інструменти аналізу даних, Scikit-learn, PyTorch, TensorFlow/Keras 3, MLX, Hugging Face Transformers, XGBoost, LightGBM, CatBoost, PyTorch Lightning, ONNX Runtime, vLLM, LangChain та LlanChain. Конкретний набір залежить від навчальних завдань та обладнання.
Ви познайомитеся з основами навчання нейронних мереж та виконуватимете практичні завдання на доступних прикладах. Для деяких завдань також розгляньте transfer learning та адаптацію попередньо вивчених моделей.
Для базової роботи з даними та невеликими моделями підійде звичайний комп'ютер. Для більш важких експериментів можуть використовуватися хмарні обчислення або підготовлені навчальні середовища.
Курс дасть фундаментальні знання та практичні навички для подальшого розвитку у напрямку Machine Learning Engineer. Для самостійної професійної роботи зазвичай потрібно продовжувати практикуватися та накопичувати досвід на проектах.
У класичному навчанні із підкріпленням агент отримує сигнали винагороди за дії в середовищі. RLHF використовує зворотний зв'язок та переваги людей для налаштування поведінки генеративної моделі; у програмі це окрема вступна тема.
Ви познайомитеся з трансформерами, готовими моделями та принципами їхньої адаптації. Повномасштабне навчання великих моделей з нуля потребує значних обчислювальних ресурсів, тому практика буде орієнтована на навчальні завдання та доступні способи роботи з моделями.
Ви представите навчальний ML-проект із постановкою завдання, підготовкою даних, навченою моделлю та оцінкою результату. Формат та складність проекту залежатимуть від обраної теми та рівня групи.