Курс на Stepik
Обложка курса «Анализ данных с применением технологий машинного обучения» на Stepik
Бесплатно

Анализ данных с применением технологий машинного обучения ★ 0.000

Открыть на
STEPIK.ORG

Программа профессиональной переподготовки «Анализ данных с применением технологий машинного обучения» предлагает глубокое изучение взаимосвязи между высокопроизводительными вычислениями и искусственным интеллектом. Слушатели получат навыки работы с передовыми программными платформами и инструментами для анализа больших данных. Программа направлена на создание и обучение интеллектуальных систем принятия решений на основе комплексного анализа.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Анализ данных с применением технологий машинного обучения»Учеников на курсе 796
Сертификаты, выданные на курсе «Анализ данных с применением технологий машинного обучения»Сертификатов выдано 0
Отзывы о курсе «Анализ данных с применением технологий машинного обучения»Отзывов получено 0
Рейтинг курса «Анализ данных с применением технологий машинного обучения»Рейтинг курса 0.000
Уроки в курсе «Анализ данных с применением технологий машинного обучения»Количество уроков 45
Тесты в курсе «Анализ данных с применением технологий машинного обучения»Количество квизов 160
Задачи с кодом в курсе «Анализ данных с применением технологий машинного обучения»Количество задач с кодом 12
Время прохождения курса «Анализ данных с применением технологий машинного обучения»Время прохождения курса —
Обновления курса «Анализ данных с применением технологий машинного обучения»Обновления курса — —
Дата публикации курса «Анализ данных с применением технологий машинного обучения»Дата публикации курса — ———
Последнее обновление курса «Анализ данных с применением технологий машинного обучения»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Анализ данных с применением технологий машинного обучения» 4 раздела Уроки в курсе «Анализ данных с применением технологий машинного обучения» 45 уроков Тесты в курсе «Анализ данных с применением технологий машинного обучения» 160 тестов Задачи в курсе «Анализ данных с применением технологий машинного обучения» 12 задач Время прохождения курса «Анализ данных с применением технологий машинного обучения» 15 ч. Последнее обновление курса «Анализ данных с применением технологий машинного обучения» обн. 1 год назад

1. Программный инструментарий высокопроизводительных вычислений

16 уроков
Закрытый
1.1 Введение в HPC ↗
584
141
24м 5с
9
Закрытый
1.2 Основы работы с NumPy ↗
231
135
13м 18с
2
Закрытый
1.3 LR1. Выполнение векторно-матричных операций в пакете NumPy ↗
183
59
21м 38с
3
Закрытый
1.4 Высокопроизводительный pandas и ускорение обработки данных ↗
161
117
21м 58с
1
Закрытый
1.5 Numba: Ускорение кода Python с помощью JIT-компиляции ↗
144
103
24м 30с
0
Закрытый
1.6 LR2. Матричные умножения с применением пакета Numba ↗
143
102
1м 40с
0
Закрытый
1.7 Введение в базы данных ↗
138
91
31м 35с
2
Закрытый
1.8 Структурированный язык запросов ↗
126
87
32м 5с
0
Закрытый
1.9 LR3. Проектирование базы данных ↗
129
89
0м 28с
0
Закрытый
1.10 ​ ​​​​Нормализация базы данных ↗
117
81
29м 8с
0
Закрытый
1.11 Средства управления данными и NoSQL базы данных ↗
105
72
31м 10с
1
Закрытый
1.12 LR4. Оператор SELECT языка SQL ↗
127
45
17м 32с
1
Закрытый
1.13 LR4/HARD. NoSQL for ClickHouse ↗
119
86
0м 25с
0
Закрытый
1.14 Программно-аппаратная акселерация. Часть 1 ↗
114
82
14м 0с
-1
Закрытый
1.15 Программно-аппаратная акселерация. Часть 2 ↗
105
78
19м 49с
1
Закрытый
1.16 LR5. Побитовая арифметика специализированных типов данных ↗
120
93
0м 14с
1

2. Методы машинного обучения

11 уроков
Закрытый
2.1 Интеллектуальные системы как научное направление ↗
172
116
23м 49с
1
Закрытый
2.2 Линейная регрессия ↗
148
113
16м 8с
3
Закрытый
2.3 Задачи классификации. Логистическая регрессия ↗
129
98
19м 25с
2
Закрытый
2.4 Статические методы обучения. Метод опорных векторов ↗
122
101
29м 42с
1
Закрытый
2.5 LR1. Линейная регрессия как задача контролируемого обучения ↗
122
106
1м 58с
0
Закрытый
2.6 LR2. Логистическая регрессия  ↗
115
97
1м 39с
0
Закрытый
2.7 Интеллектуальные агенты ↗
92
80
29м 41с
0
Закрытый
2.8 Уменьшение размерности данных ↗
87
76
16м 49с
0
Закрытый
2.9 Логические методы классификации ↗
89
75
21м 25с
0
Закрытый
2.10 LR3. Статистические методы обучения. Метод опорных векторов ↗
91
39
9м 4с
0
Закрытый
2.11 LR4. Кластеризация данных методом k-средних ↗
76
38
8м 59с
0

3. Основы нейросетевых технологий

7 уроков
Закрытый
3.1 Нейронные сети и машинное обучение ↗
138
99
34м 52с
1
Закрытый
3.2 Модели нейрона. Однослойный перцептрон. Логические НС операции ↗
125
96
34м 21с
1
Закрытый
3.3 Многослойный перцептрон. Нейронные сети прямого распространения ↗
112
95
32м 55с
1
Закрытый
3.4 Обучение нейронной сети. АОР ↗
105
93
31м 57с
0
Закрытый
3.5 Нейро-сетевое распознавание символов и текстовой информации ↗
104
90
30м 9с
2
Закрытый
3.6 Нейронно-сетевая обработка визуальной информации ↗
97
86
45м 46с
1
Закрытый
3.7 Ассоциативная память. НСХ ↗
95
79
40м 33с
1

4. Аналитика больших данных

11 уроков
Закрытый
4.1 Введение в теорию больших данных ↗
121
63
28м 32с
-12
Закрытый
4.2 Работа с признаками ↗
118
95
18м 38с
0
Закрытый
4.3 Модельный риск ↗
116
73
16м 59с
-6
Закрытый
4.4 LR1. Построение бинарного классификатора ↗
116
97
1м 45с
0
Закрытый
4.5 LR2. Построение регрессора для предсказания непрерывной величины ↗
104
81
1м 31с
0
Закрытый
4.6 Ансамблевые методы ↗
107
8
38м 16с
0
Закрытый
4.7 Анализ временных рядов ↗
107
88
43м 55с
0
Закрытый
4.8 Рекомендательные системы ↗
105
73
35м 4с
0
Закрытый
4.9 AutoML ↗
110
83
20м 30с
0
Закрытый
4.10 LR3. Определение типа дорожного знака ↗
92
73
0м 22с
0
Закрытый
4.11 LR4. Предсказание эмоциональной окраски отзыва на основе анализа ↗
86
70
0м 16с
0