BANG
MARKET
GO SHOPPING
!
ПОИСК
(
0
)
Главная
KARPOV.COURSES
Программирование
Машинное обучение
ФИЛЬТРЫ КАТЕГОРИИ
сбросить фильтры
СОРТИРОВАТЬ
не выбрано
Цена: сначала дешевле
Цена: сначала дороже
Название: А-Я
Название: Я-А
ЦЕНА
от (min)
до (max)
ПРИМЕНИТЬ
ДОПОЛНИТЕЛЬНАЯ КАТЕГОРИЯ
300
303
ЕЖЕМЕСЯЧНАЯ ЦЕНА
10500
8145
9290
ЕСТЬ БЕСПЛАТНАЯ ЧАСТЬ
false
true
ЕСТЬ ВЕБИНАРЫ
false
true
ОПЛАТА В РАССРОЧКУ
12
24
ПЛАН
алгоритмы автоматического сопоставления объектов позволяют решать множество важных задач бизнеса: выявление товаров-дублей, объединение данных о покупателях в онлайне и офлайне, анализ и мониторинг цен конкурентов. разберём различные кейсы применения систем матчинга и ранжирования, рассмотрим технические тонкости их архитектур, познакомимся с передовыми подходами к обучению моделей и реализуем свою систему поисковых подсказок.
важными задачами в a/b-тестировании являются ускорение тестов и повышение их чувствительности. это позволяет компаниям быстрее внедрять позитивные изменения и вовремя отказываться от негативных. научимся применять современные методы повышения чувствительности a/b-тестов, рассмотрим полный пайплайн тестирования и реализуем свой сервис для оценки экспериментов.
глубинное обучение и нейронные сети позволяют решать задачи, в которых классические модели бессильны: распознавание лиц, детекция объектов на изображениях, генерация осмысленного текста. разберём популярные архитектуры нейросетей, научимся применять предобученные модели и тренировать свои. построим продвинутую модель и усовершенствуем наш алгоритм рекомендаций.
изучите различные способы уменьшения размеров модели и поймете, как применять их на практике.
компания x6 управляет тысячами магазинов по всей стране. перед ней стоит задача устанавливать цены товаров так, чтобы получать стабильную прибыль, при этом удерживая покупателей. вы разработаете алгоритм, которые максимизирует выручку для целевой маржи.
мы прогнозируем объемы продаж маркетплейса для миллионов товаров с помощью градиентного бустинга. стейкхолдеры обращаются с вопросом: насколько мы уверены в предсказаниях модели? ваша задача оценить надежность её предсказаний для данных в будущем.
начнём с основ программирования, научимся писать код на python и освоим библиотеки для анализа данных и машинного обучения. научимся работать с базами данных и разберёмся, как с помощью sql-запросов получать данные для моделей. поговорим об архитектуре приложений и узнаем, как контролировать версии с помощью git. напишем прототип будущего ml-сервиса и настроим всё необходимое для его работы.
начнете знакомиться с задачами cv. узнаете, как работать с изображениями, используя нейросети. изучите концепт gan.
освоите разные методы оптимизации. узнаете, что такое эксперименты dl. научитесь решать задачи классификации табличных данных.
отдел маркетинга запускает sms-рассылки, чтобы привлечь внимание клиентов компании. вам предстоит оценить их эффективность, решая задачу uplift моделирования. вы поймете как работать с этой задачей изнутри, написав свою версию uplift-дерева с нуля.
погрузитесь в тему deep learning. изучите методы обучения глубоких нейросетей. получите хорошую базу в области глубокого обучения (dl) для дальнейшего освоения темы на курсе.
поделимся своим опытом и расскажем, как проходят собеседования на junior ml-инженера: разберём алгоритмические задачи на python, а также популярные вопросы по машинному обучению, статистике и а/в-тестам. практические задания помогут набраться уверенности в своих знаниях, заранее набить руку и уверенно пройти этот непростой этап.
познакомимся с классическими алгоритмами машинного обучения. рассмотрим всё от простых линейных моделей до градиентного бустинга на решающих деревьях. научимся готовить данные для моделей, настраивать разные параметры и оценивать качество работы ml-алгоритмов. обсудим тонкости разработки рекомендательных систем, обучим модель на данных социальной сети и свяжем её с нашим приложением.
познакомитесь с задачами nlp. поймете, как работать с текстом. начнете изучение рекуррентных нейросетей.
познакомитесь со свойствами больших предобученных моделей. научитесь дообучивать модели в парадигме peft
поймете отличия задач генерации текста от классификации. изучите устройство n-gram модели и ее недостатки. узнаете, как устроены рекуррентные сверточные сети.
поймете отличия языкового моделирования от seq2seq задач. изучите ценность механизма внимания. вникнете в суть архитектуры трансформера.
поймете принципы сборки нейросети. научитесь работать с функциями потерь в pytorch. узнаете, как обучать нейросеть по пайплайну dl.
поймете причины ограничения длины контекста трансформерных моделей. изучите способы уменьшения сложности применения модели. узнаете, какие существуют способы увеличения длины контекста. научитесь увеличивать длину контекста предобученной модели.
поймете, чем дообучение лучше обучения с нуля. узнаете, чем отличаются способы дообучения. научитесь применять предобученные модели для решения downstream задач.
рассмотрим основные понятия теории вероятностей и математической статистики. научимся проводить a/b-тесты и достоверно оценивать влияние ml-моделей на продукт и бизнес. обсудим подводные камни проведения экспериментов и способы оценки метрик в ситуациях, когда a/b-тест провести невозможно. реализуем свою систему тестирования и узнаем, удалось ли нам повысить качество рекомендаций в сравнении с базовым решением.
сегментация потребителей по чистому эффекту от маркетингового воздействия позволяет бизнесу сосредоточить рекламный бюджет на клиентах, готовых выполнить целевое действие только при наличии коммуникации. научимся оценивать величину этого эффекта с помощью uplift-моделей, разберём интересные кейсы из практики, спроектируем библиотеку факторов и построим свой алгоритм для поиска оптимальной аудитории.
сегодня рекомендательные системы встречаются во многих приложениях, где есть поиск и персонализация. мы разберёмся, как построить свою рекомендательную систему, используя все возможные знания о пользователях и объектах рекомендации. на практике научимся использовать алгоритмы контентной фильтрации, матричной факторизации, обучим глубокие сети и модели ранжирования. а потом — рассмотрим проблемы, которые могут возникать в проде.
узнаете все о недостатках rnn и о том, как нивелировать их с помощью lstm. освоите различные методы сэмплирования для разных ситуаций.
узнаете простейшие методы решения задач классификации и их недостатки. научитесь решать простейшие задачи классификации.
узнаете, чем отличаются задачи обработки текстов от других задач dl. изучите структуру решения задач обработки текстов. поймете принципы кодирования слов.
узнаете, чем bert и gpt отличаются от трансформера. научитесь решать задачи превода текста.
узнаете, что такое llm сети, и как с ними работать. научитесь работать с нейросетью в облаке. поймете процесс деплоя в dl.
эффективность деятельности многих компаний зависит от способности устанавливать оптимальные цены на продукцию с учётом различных факторов и изменений, происходящих на рынке. научимся предсказывать ценовые диапазоны, рассмотрим актуальные для ценообразования метрики, познакомимся с «многорукими бандитами» и обучим одного из них выбирать стратегию расчёта цен для оптимизации выручки и маржинальности продаж.
karpov.courses хочет понимать, какие студенты стали реже заходить в симулятор. решите задачу-квест разработки модели оттока, пройдя несколько этапов: от пошагового написания sql-запроса с оконными функциями для построения датасета — до постройте доверительных интервалов для предсказаний модели и её деплоя.
ml-инженеру важно уметь интегрировать свои решения в существующую инфраструктуру с учётом высоких требований к производительности и отказоустойчивости приложений. рассмотрим различные сценарии развёртывания сервисов, обсудим принципы их проектирования и поддержания с точки зрения современного бэкенда и научимся грамотно выводить приложения в продакшн.
ml-команде маркетплейса потребовались векторные представления товаров, чтобы находить похожие товары. постройте эмбеддинги товаров на основе паттернов поведения покупателей, используя методы коллаборативной фильтрации.
ПРОДОЛЖИТЕЛЬНОСТЬ
3
4
7
9
СЛОЖНОСТЬ
для новичков
для опытных
ТИП ОБУЧЕНИЯ
курс
профессия
ФОРМАТ ОБУЧЕНИЯ
в группе с наставником
самостоятельно
ЦЕНА ПО СКИДКЕ
110000
85000
Машинное обучение
Deep Learning Engineer
92 000
₽
ПОДРОБНЕЕ
Симулятор Data Science
23 000
₽
ПОДРОБНЕЕ
Hard ML
190 000
₽
ПОДРОБНЕЕ
Start ML
126 000
₽
ПОДРОБНЕЕ
