желающим начать свой путь в машинном обучении с нуля
КУРС ПО МАШИННОМУ ОБУЧЕНИЮ И GENERATIVE AI
или $100 $166 в мес
за полгода
за полгода
или $600 $1 000
Для кого?
Для кого?
желающих получить востребованные навыки в AI с нуля
начинающих специалистов, аналитиков и разработчиков
сотрудников корпораций, желающих работать над проектом в AI
предпринимателей, желающие создать проект в AI
Результат курса — проект в портфолио и практические навыки для работы с машинным обучением
/
Проекты для портфолио на реальных данных и лабораторные работы, позволяющие глубоко погрузиться в специфику работы с машинным обучением
//
Лекции от ведущих экспертов в области машинного обучения
Примеры проектов
Примеры проектов
-
Практико-ориентированный подходКаждый блок курса включает в себя реальные кейсы и проекты. -
Актуальная программа на 4 кв. 2024Курс охватывает последние тенденции и инновации в машинном обучении, включая генеративные модели, глубокое обучение, обработку естественного языка и компьютерное зрение. -
Персонализированная поддержкаНа протяжении всего курса вам будет доступна помощь наставников и возможность обратной связи по вашим проектам. -
Сертификат завершенияПосле успешного освоения курса вы получите сертификат, подтверждающий ваши знания и навыки в области машинного обучения.
Преподаватели
- Олег БулыгинMachine Learning / Deep LearningПреподаватель Mathshub
7 лет опыта в управленческих должностях в научно-производственных компаниях космической отрасли
- Георгий МилютинEDA / математика и статистика
Магистр прикладной математики и информатики (НИУ ИТМО)
• Ex-глава департамента математики в петербургском филиале London Gates Education Group
• В 2016-2022 – преподаватель математики и статистики на английском языке по программам GCSE, IB, SAT, IAL
• Автор курсов по теории вероятностей и статистике, преподаватель в нескольких университетах
• Преподаватель Mathshub.
- Алексей ЯрошенкоDL NLP / GENERATIVE AI: PROMPT ENGINEERING
- Последние 3 года в VK помогал делать языковые модели и антифрод
- Лектор по ML в ВШЭ ИМШ
- Ментор проектов в MADE.
Персонализированная программа обучения
Поддержка 24/7
Вся учеба идет в живой трансляции, и студенты окружены обратной связью и поддержкой от кураторов и наставников. Мы считаем, что только живое общение обеспечивает полноценное погружение в профессию.Маленькие группы
Персонализированный учебный опыт
Группы до 15 человек.
Мы создаём проектно-ориентированную среду и уделяем внимание каждому студенту — помогаем развивать pet-проекты и прокачивать навыки управления продуктом. Наш ключевой показатель — это приобретенный скиллсет по анализу данных и разработке реальных проектов. В рамках учебной программы студентам уделяется больше внимания благодаря небольшим группам.
Наши партнеры
Нашими партнерами являются престижные образовательные организации: Flow, Startup School, МФТИ, Women In Tech, NYU Steinhardt, Cloud и др.
Выдаем сертификат
После сдачи проекта выдаем сертификат о прохождении курса, который является подтверждением ваших навыков и ценится работодателями
Образовательная лицензия
Школа Mathshub имеет образовательную лицензия № Л035-01298-77/00683559. Мы выдаем диплом о дополнительном образовании. Есть возможность получить налоговый вычет за обучение.
Отзывы
Отзывы
Программа
ВКЛЮЧЕНО В МОДУЛЬ:
Математический анализ
Теория вероятностей и математическая статистика
Математический анализ
- Градиентный спуск
Теория вероятностей и математическая статистика
- Случайные числа
- Условная вероятность
ВКЛЮЧЕНО В МОДУЛЬ:
Базовое машинное обучение
Классификация, деревья решений, и kNN
Линейная регрессия и классификация. MLE, Разложение дисперсии смещения, Регуляризация, Validation and learning curves
Ансамбли алгоритмов и случайный лес. Бэггинг. Бустинг. Определение важности параметров
Feature Engineering
Работа с большими данными
Базовое машинное обучение
- Задачи машинного обучения
- Предсказание и метрики качества
- Понятия обучения, применения и валидации модели.
Классификация, деревья решений, и kNN
- Постановка задачи классификации
- Метрики
- Дерево решений
- Метод ближайшего соседа
- Выбор параметров модели и кросс-валидация
- Примеры применения и сложные кейсы
- Плюсы и минусы kNN и деревьев.
Линейная регрессия и классификация. MLE, Разложение дисперсии смещения, Регуляризация, Validation and learning curves
- Метрики. Зачем нужны
- Базовая линейная регрессия (МНК)
- Метод макс.правдоподобия
- Линейный классификатор
- Логистическая регрессия как линейный классификатор.
Ансамбли алгоритмов и случайный лес. Бэггинг. Бустинг. Определение важности параметров
- Ансамбли
- Случайный лес
- Деревья решений vs бэггинг
- Преобразование набора данных в многомерное представление
- Плюсы и минусы случайного леса
- GBM в машинном обучении
- Функции регрессионных потерь
- Классификационные функции потерь
- Веса.
Feature Engineering
- Выбор фич
- Тексты, картинки, геоданные, дата и время, временные ряды, веб и тд
- Трансформация фич
- Нормализация и изменение распределения, взаимодействия, заполнение пустых значений
- Label Encoding
- One-Hot Encoding
- Кластеризация. K-средних.
Работа с большими данными
- SGD
- Онлайн-подход к обучению.
ВКЛЮЧЕНО В МОДУЛЬ:
Введение в нейросети
CNN
Введение в нейросети
- Нейрон и функция активации. Простейшая нейронная сеть
- Обучение нейросети (эпохи, mini-batch gradient descent, loss function, cross-entropy loss)
- Batchnorm, dropout, регуляризация весов и ранняя остановка
- Backpropagation
- Transfer learning
- Learning rate, adaptive LR
- Softmax
- MLP: перцептроны, устройство.
CNN
- Архитектура, принцип работы свертки
- Типы слоев
- Гиперпараметры фильтров
- Тюнинг гиперпараметров
- Функции активации.
ВКЛЮЧЕНО В МОДУЛЬ:
Введение в CV
Детекция объектов
Autoencoders
GAN
Введение в CV
- Краткая история развития CV (ImageNet, не нейронные методы -> CNN -> Transformer).
Детекция объектов
- Введение. Template Matching. Corner Detection
- Edge Detection. Grid Detection. Contour Detection
- Feature Matching. Watershed Algorithm. Custom Seeds with Watershed Algorithm
- MeanShift and CamShift Tracking Theory. OpenCV.
Autoencoders
- Обзор
- K-means
- Expectation Maximization
- Linear Autoencoder = Iterative PCA
- The Gaussian Mixture generative
- model
- Binary Autoencoder
- MNIST Autoencoder
- PCA.
GAN
- Motivation
- Generative vs Discriminative Models
- GANs vs VAEs
- Введение и теория GAN.
ВКЛЮЧЕНО В МОДУЛЬ:
Коробочные решения для NLP
RNN + LSTM
RNN + LSTM.
RNN + LSTM.
Transformers
Transformers.
Коробочные решения для NLP
- regex
- "nlp swiss knives": spacy etc.
RNN + LSTM
- Мотивация LSTM: работа с последовательностями
- Эмбеддинги
- Word2Vec.
RNN + LSTM.
- Функции активации
- Ичезающий/взрывающийся градиент
- GRU/LSTM.
RNN + LSTM.
- Типы шлюзов
- Skip-gram
- Выбор отрицательных примеров
- GloVe.
Transformers
- Transfer Learning
- Embeddings and Language Models
- Attention in Detail: (Masked) Self-Attention, Positional Encoding, and Layer Normalization
- Transformers Variants: BERT, GPT/GPT-2/GPT-3, DistillBERT, T5, etc.
- GPT4 Demos, работа с API
- Работа с прочими актуальными моделями: Mistral, LLama, Vicuna, etc.
Transformers.
- Rise of Transformers.
ВКЛЮЧЕНО В МОДУЛЬ:
Introduction
Techniques
Transformers
Applications
Prompt Hub
Models
ChatGPT / Code Llama / Flan / Gemini / Gemini Advanced / Gemini 1.5 Pro / Gemma / GPT-4 / LLaMA / Mistral 7B / Mistral Large / Mixtral / OLMo / Phi-2 / Sora / LLM Collection.
Risks & Misuses
LLM Research Findings
Additional Readings
Introduction
- LLM Settings
- Basics of Prompting
- Prompt Elements
- General Tips for Designing Prompts
- Examples of Prompts.
Techniques
- Zero-shot Prompting / Few-shot Prompting / Chain-of-Thought Prompting / Generate Knowledge Prompting
- Self-Consistency / Prompt Chaining / Tree of Thoughts
- Retrieval Augmented Generation
- Automatic Reasoning and Tool-use / Automatic Prompt EngineerActive-PromptDirectional Stimulus PromptingProgram-Aided Language ModelsReActReflexionMultimodal CoTGraph Prompting.
Transformers
- Transfer Learning
- Embeddings and Language Models
- Attention in Detail: (Masked) Self-Attention, Positional Encoding, and Layer Normalization
- Transformers Variants: BERT, GPT/GPT-2/GPT-3, DistillBERT, T5, etc.
- GPT4 Demos, работа с API
- Работа с прочими актуальными моделями: Mistral, LLama, Vicuna, etc.
Applications
- Function Calling
- Generating Data
- Generating Synthetic Dataset for RAG
- Tackling Generated Datasets Diversity
- Generating Code
- Graduate Job Classification Case Study
- Prompt Function.
Prompt Hub
- Classification
- Coding
- Creativity
- Evaluation
- Information Extraction
- Image Generation
- Mathematics
- Question Answering
- Reasoning
- Text Summarization
- Truthfulness
- Adversarial Prompting.
Models
ChatGPT / Code Llama / Flan / Gemini / Gemini Advanced / Gemini 1.5 Pro / Gemma / GPT-4 / LLaMA / Mistral 7B / Mistral Large / Mixtral / OLMo / Phi-2 / Sora / LLM Collection.
Risks & Misuses
- Adversarial Prompting
- Factuality
- Biases.
LLM Research Findings
- LLM Agents
- RAG for LLMs
- Trustworthiness in LLMs
- LLM Tokenization
- What is Groq?
Additional Readings
- Papers
- Tools
- Notebooks
- Datasets.
ЗАПИСАТЬСЯ НА БЕСПЛАТНУЮ
КОНСУЛЬТАЦИЮ
Вопрос-ответ
Вопрос-ответ
Курс подойдёт вам, если вы хотите освоить основы работы с искусственным интеллектом, являетесь начинающим или практикующим IT–специалистом с желанием работать над AI проектами, а также предпринимателем, разрабатывающим AI продукт.
Курс поможет вам:
— получить достаточную техническую экспертизу для работы с машинным обучением и искусственным интеллектом
— научиться управлять командой инженеров и аналитиков данных
— планировать создание, управление и масштабирование продуктов с машинным обучением и AI.
— получить достаточную техническую экспертизу для работы с машинным обучением и искусственным интеллектом
— научиться управлять командой инженеров и аналитиков данных
— планировать создание, управление и масштабирование продуктов с машинным обучением и AI.
Изучите данные и выявите факторы влияющие на спрос велосипедов:
- Проведете предобработку данных.
- Проведете EDA.
- Подготовите данные для построения модели.
- Реализуете базовую регрессионную модель прогнозирования количества велосипедов, взятых в прокат.
Одни из ключевых отличий курсов Mathshub это:
- Актуальная программа занятий. Программа курса выстроена с учетом последних тенденций в машинном обучении и искусственном интеллекте. Это позволит вам освоить актуальные навыки и получить знания о новейших инструментах, чтобы стать высококвалифицированным специалистом.
- Большой опыт обучения. Команда Mathshub запустила около 30 программ и учебных планов в области искусственного интеллекта и технологий. Мы учли успешные практики, что позволило разработать эффективный курс
Для обучения на курсе нет требований к знаниям о машинном обучении и AI.
При этом мы рекомендуем пройти бесплатную консультацию и входной тест, чтобы оценить свои навыки и понять, какие из них улучшить. Также, в дополнение к курсу, вы получите бесплатный доступ к занятиям интенсива Python для Generative AI, если захотите освежить имеющиеся знания или подготовиться к старту курса.
При этом мы рекомендуем пройти бесплатную консультацию и входной тест, чтобы оценить свои навыки и понять, какие из них улучшить. Также, в дополнение к курсу, вы получите бесплатный доступ к занятиям интенсива Python для Generative AI, если захотите освежить имеющиеся знания или подготовиться к старту курса.
Все занятия будут доступны в записи. Занятия включают в себя выполнение лабораторных работ, домашних заданий, разработка проектов по готовому техническому заданию или под вашу задачу.
Курс состоит из 27 уроков (54 академических часов) и будет доступен 4 месяца (14 недель).
Школа Mathshub имеет государственную лицензию и по окончании курса вы получите диплом о дополнительном образовании.
Да, вы можете вернуть до 13% от стоимости программы в виде налогового вычета.
Пишите ваши вопросы на почту
support@maths-h.com
Пишите ваши вопросы на почту
support@maths-h.com