Machine Learning

Müraciət et
schedule

Başlanğıc

16 dekabr

schedule

Müddət

120 saat/2.5 ay

schedule

Tədris qrafiki

I, III 18:30 - 21:30, VII 10:00- 14:30

schedule

Qrup

25-30 nəfər

Proqram haqqında

Maşın öyrənməsi və onun metodlarının köməyi ilə, Siz sinir şəbəkələrinizi (neural networks) məşq etdirə bilərsiniz. Bu, nümunələri müəyyənləşdirməyə və hər hansı layihənin nəticələrini şərh etməyə kömək göstərəcək.

Maşın öyrənməsi biliklərini mənimsəyən mütəxəssislər texnologiyanın maraqlı imkanlarına yiyələnərək daim inkişaf edirlər. Bazarda bu sahə üzrə çox az sayda mütəxəssis olduğundan gənc peşəkarlara müştəri və ya iş tapmaq çox asan başa gəlir.

Marketinq, FinTech, böhran idarəetməsi, risklərin idarə edilməsi, təhlükəsizlik, tibb, robototexnika və s. kimi maşın öyrənmə tətbiqlərinin sahələri müxtəlifdir. Bunlar çox populyardır və onların hər birinə böyük tələbat var. Maşın öyrənməsinin məlumat analizinin ən çətin sahəsi olması barədə geniş yayılmış stereotip isə yalnız bir mifdir.

Kursumuz, süni intellekt əsaslarını mənimsəməyinizə, yaddaşınızdakı riyazi çərçivəni yeniləməyinizə və sinir şəbəkələri ilə işləmək üçün tam bir vasitə dəstinin təminatına kömək göstərəcək.

Qəbul şərtləri

Yaş: 18+

Python haqqında əsas məlumat

İngilis dili biliyi: Orta (B2)

Ali təhsil səviyyəsində əsas statistika, riyaziyyat bilikləri

Fərdi noutbuk və ya kompüter

İntensiv təlimlərə hazır olmaq

Təlimi bitirdikdən sonra bunları edəcəksiniz:

girl with laptop
  1. Əsas maşın öyrənmə alqoritmlərini (reqressiya, qərar ağacı (decision tree), təkan) bilmək və istifadə etmək
  2. Tapşırığa və modelə uyğun alqoritmlərdən istifadə edə bilmək
  3. Layihəni təhlil etmək və onu addım-addım təhlil etmək
  4. Məlumatların əvvəlcədən işlənməsini və məlumatların təsdiqlənməsini həyata keçirmək
  5. Modelin performans göstəricilərini bilmək: Dəqiqlik, Düzgünlük, Geri çağırma və s.
  6. Nəzarətsiz öyrənmə və bəlli nümunələrlə dərin öyrənməyi başa düşmək və tətbiq etmək.

Proqram

Yeniləmə üçün riyaziyyat

  • Ehtimal (Məlumat paylaşımının nəzərdən keçirilməsi), Bayes statistikası
  • Matris hesabı (Matrisdən törəmə almaq)
  • Matrix ayrılma texnikaları (SVD, LR)
  • Səmərəli matris əməliyyatları, yayım, vektorlaşdırma ilə riyaziyyat əməliyyatları
  • KDE
  • Q-Q Plots

Maşın Öyrənmə Hissəsi

  1. Maşın öyrənmə layihəsində ümumi mərhələlər
  • Problemin Tərifi
  • Tədqiqat
  • Məlumatların Toplanması / Mədənçilik / Scraping (sıyırma)
  • Məlumatların Hazırlanması / Hazırlığa qədərki mərhələ
  • Modelləşdirmə
  • Qiymətləndirmə
  • Yerləşdirmə
  1. Məlumatların əvvəlcədən emalı
  • Data İdxal (pandas, numpy)
  • Eksik dəyərlərlə işləmək
  • Kategorik məlumatların kodlanması
  • Daha aşikar
  • Tarix/zaman məlumatlarının işlənməsi (vaxt seriyası)
  • Dataset bölmə
  • Çapraz Qiymətləndirmə (Uyğunlaşma, Yaraşmayan)
  • Xüsusiyyət Ölçüsü: standartlaşdırma, normallaşma
  • PCA + nəzəriyyəsi
  1. Qarışıqlıq Matrisası və Model Performans ölçümləri
  • Xatırlama/geri çağırış
  • Düzgünlük
  • Dəqiqlik
  • Kök orta kvadrat xətası
  • F1 hesabı
  • ROC AUC
  • qarışıqlıq matrisi
  • Cini əmsalı
  1. Reqressiya Alqoritmləri (Matrix işarəsi ilə):
  • Xətti reqressiya + nəzəriyyə
  • Lojistik reqressiya + nəzəriyyə
  • Reqlamentləşdirmə üsulları (Lasso, Ridge)
  • Knn
  1. Qərar Ağacı (Decision tree) Alqoritmləri:
  • SƏBƏT + Nəzəriyyə
  • Torbalama və artırma + nəzəriyyəsi
  • Təsadüfi Meşə + nəzəriyyəsi
  1. Alqoritmləri artırmaq:
  • AdaBoost
  • XGBoost + nəzəriyyəsi
  • LightGBM
  • CatBoost
  1. Sinir Şəbəkələri
  • Sinir Şəbəkələri, geri yayılma və irəli yayılma (tək qatlı qavrayış)
  • Çox qatlı qavrayış
  • Maliyyət funksiyaları
  • Aktivləşdirmə funksiyaları
  1. Optimizasiya metodları (Hiper parametrlər, Qradiyent enmə və s.)
  • Qradiyent enmə
  • Stokastik Qradiyent Eniş
  1. Hiperparametr optimallaşdırması
  • Şəbəkə axtarışı
  • Təsadüfi axtarış
  • Bayes optimallaşdırması
  1. Balanssız təsnifat
  • ROC əyri və eşik seçimi
  • KÜÇÜK (Həddindən artıq nümunə götürmə)
  • Miss-Miss (Nümunə götürmə)
  1. Model izahlılığı
  • İcazə əhəmiyyəti
  • Qismən asılılıq planları
  • SHAP dəyərləri
  1. Nəzarət olunmayan öyrənmə:
  • K_Küməlləmə deməkdir + Nəzəriyyə
  • Klaster qiymətləndirmə ölçümləri
  • Ölçü azaldılması (məsələn, t-SNE, UMAP)

Dərin Öyrənmə Hissəsi

  1. Dərin öyrənmə strukturları (Tensorflow2, Keras)
  • Tensorlara giriş, dəyişənlər
  • Gradyanlara və Avtomatik Fərqləndirməyə giriş (tf.GradientTape ())
  • Giriş qrafikləri və funksiyaları
  • Modullara, təbəqələrə və modellərə giriş
  • Əsas təlim dövrləri
  • Qabaqcıl Avtomatik Fərqləndirmə
  • Keras Ardıcıl modeli
  • Daxili metodlarla təlim və qiymətləndirmə
  • Keras modellərini qeyd etmək və yükləmək
  • Əvvəlcədən işlənmiş təbəqələrlə iş
  1. Modelin qatları ilə iş
  • Buraxmaq/çıxmaq, çəki başlatma
  • Optimizasiya alqoritmləri (Mini partiyalı qradiyent enmə, Momentum, RMSProp, Adam)
  • Toplu normallaşdırma
  1. CNN (Konvolusional Sinir Şəbəkəsi)
  • Töhvələr
  • Hovuz
  • Bütünlüklə əlaqə
  1. RNN (Təkrarlanan Sinir Şəbəkələri)
  • RNN
  • LSTM
  • GRU
  1. NLP
  • Klassik metodlara ümumi baxış (dil modeli, tf-idf vektorlaşdırma)
  • Söz yerləşdirmələri, CBOW və skip qram metodları, word2vec

Bütün proqrama baxın

Ərizə göndər

Gmail poçt ünvanı daha məqsədəuyğundur

BəliXeyr

Ərizəniz göndərildi! Məlumatlarınız yoxlandıqdan sonra əməkdaşlarımız Sizinlə əlaqə saxlayacaqlar