Главная Напишите

Deep Learning курс

Мы создали учебную программу и стажировку, чтобы за 8 месяцев освоить новую IT-профессию Machine Learning Engineer и выйти на работу в США с зарплатой от $120 000 в год
Идет набор
Длительность: 8 месяцев
Стажировка на коммерческом проекте в США

Мы учим владеть AI инструментами. Именно таких специалистов ищут компании.

Помогаем составить резюме и тренируем прохождение собеседований.

Стажировка на реальных проектах в команде.

Где работают наши выпускники

В этих известных компаниях наши студенты работают на фултайм и контракте. А также огромное количество выпускников трудится в сотнях других компаний по всему миру.

Компании выпускников
Получить бесплатную консультацию по карьере
``

Отзывы выпускников курса Deep Learning курс

Студенты начинают проходить собеседования еще во время курса. Все наши студенты, кто выходит на поиск работы получает работу в течение 1-2 месяцев поиска.

Посмотреть все отзывы

О профессии

Нейросети распознают лица, переводят тексты, управляют беспилотниками и даже создают картины. Все это — результат работы Deep Learning. Если вы когда-либо задумывались, как машины «учатся» видеть, слышать и принимать решения, возможно, пришло время узнать о глубинном обучении машин. Это раздел, использующий многослойные нейросети для анализа сложных данных. И он уже стал частью будущего, в которое можно войти сегодня. Школа PASV приглашает пройти Deep Learning курс, где теория сочетается с практикой, а обучение завершается стажировкой в командах реальных IT-компаний из США. Мы не предлагаем шаблонные лекции, а проводим вас по пути от базовых понятий до реальных проектов, которые ценятся работодателями.

Что вы получите по окончании

  • Курс идеально подходит для новичков без опыта в IT
  • Перспективная и востребованная на рынке специальность с высокими зарплатами
  • Программирование на Python с нуля
  • Знакомство с основами машинного обучения и анализом данных
  • Портфолио проектов машинного обучения и Data Science
  • Подготовка к интервью и помощь с резюме
  • Стажировка на коммерческом проекте
  • Муж/жена учится бесплатно на одном потоке

Кому подойдет этот курс

Начать карьеру в IT с востребованной профессии Через 8 месяцев обучения на курсе вы станете junior специалистом: сможете писать код на Python, создавать алгоритмы и обучать модели, получите основы математики, которые вам понадобятся для понимания алгоритмов машинного обучения.
Сменить профессию Если вы ищете возможность для карьерного роста или изменения сферы деятельности, этот курс поможет вам освоить новую специальность.
Повысить квалификацию Если у вас есть интерес к пониманию принципов работы алгоритмов машинного обучения без глубокого вхождения в сложности математических выкладок, этот курс поможет стать специалистом.

Программа курса

1. Изучение языка Python
1. Python Syntax

Introduction to Python
Python Fundamentals – Basics

2. Python Advanced

Python Fundamentals – Advanced
Programming Foundation
External Utilities and Approaches
Python Modules for Data Science
Practical Project
Interview Preparation
2. Введение в машинное обучение. Определение и терминология
Задача.
Опыт.
Метка.
Разделение на обучающую, тестовую и валидационную выборки.
Показатель производительности.
Метрики производительности (SSE, MAE, матрица ошибок, TRP и др.)
Недоподгонка и переобучение.
Смещение и разброс.
Перекрестная проверка.
Несбалансированные данные.
3. Типы машинного обучения
Обучение с учителем, без учителя.
Перенос обучения.
Обучение с подкреплением.
Существующие темы машинного обучения с примерами .применения.
4. Регрессия
Характер предикторов и результата
Смешивающие переменные
Дискретные и непрерывные переменные.
Простая, множественная и нелинейная регрессия.
Взаимодействие переменных. Качество модели: остатки,
R°2, p-значение, наклон и пересечение.
Набор данных о качестве красного вина.
OLS Линейная регрессия, МЛ Регрессия.
Регуляризация.
Гиперпараметры.
5. Классификация
Бинарная и многоклассовая классификация.
Активные обучающие алгоритмы.
Логистическая регрессия.
Метод опорных векторов.
Деревья решений (BallTrees, KDTrees).
Искусственные нейронные сети
Ленивые обучающие алгоритмы
K-ближайших соседей
Метод случайных примеров
Наивный Байес
Кривая работы приемника (ROC) и Площадь под кривой (AUC), Кривая кумулятивной точности.
Данные по кредитам.
6. Ансамблевые методы
Случайный лес.
7. Методы улучшения
Градиентный бустинг классификации.
XGBoost.
8. Настройка модели
Поиск по сетке
Байесовская оптимизация
9. Кластеризация
Кластеризация на основе расстояния.
Меры близости.
Алгоритмы кластеризации:
Эксклюзивная кластеризация,
Перекрывающаяся кластеризация,
Иерархическая кластеризация,
Вероятностная кластеризация,
Агломеративная кластеризация,
Спектральная кластеризация,
K-средних,
Нечеткие K-средних,
Мини-пакет K-средних,
Смесь гауссиан,
BIRCH,
DBSCAN,
Сдвиг среднего
10. Ядро ML - Введение в нейронные сети (1)
Линейная алгебра
11. Ядро ML - Введение в нейронные сети (2)
1-слойный перцептрон и градиентный спуск
12. Ядро ML - Введение в нейронные сети (3)
Многослойный перцептрон и обратное
13. Ядро ML - Введение в нейронные сети (4)
Мониторинг состояния нейронной сети
14. Практическое применение машинного обучения (1)
Обработка естественного языка (NLP)
15. Практическое применение машинного обучения (2)
Сверточные нейронные сети (CNN)
16. Практическое применение машинного обучения (3)
Рекуррентные нейронные сети (RNN)
17. Практическое применение машинного обучения (4)
Долгая краткосрочная память (LSTM)
18. Генеративные модели (1)
Автоэнкодеры
19. Генеративные модели (2)
Генеративно-состязательные сети (GAN)
20. API для машинного обучения
OpenAI
Hugging Face
Попробовать первый урок бесплатно

Ответы на вопросы по курсу Deep Learning курс

Нужно ли иметь опыт программирования перед началом курса?

Нет, курс разработан для начинающих. Мы начинаем с основ и постепенно переходим к более сложным темам.

Сколько времени нужно уделять обучению?

Рекомендуется выделять 15-20 часов в неделю: занятия с преподавателем, домашние задания и самостоятельная практика.

Как проходит стажировка на проекте?

Стажировка проходит на реальных проектах в США. Вы будете работать в команде под руководством опытных разработчиков, получая практический опыт коммерческой разработки.

Помогаете ли вы с трудоустройством?

Да, мы предоставляем полную поддержку: подготовка резюме, создание портфолио, mock интервью и рекомендации по поиску работы.

Какие технологии я изучу на курсе?

Полный стек современных технологий: JavaScript, React, Redux, Node.js, Express, MongoDB, TypeScript, Git и многое другое. Подробная программа доступна выше на странице.

Остались вопросы?

Свяжитесь с нами, и мы с удовольствием ответим на все ваши вопросы

Задать вопрос

Суть Deep Learning

Представьте, что вы учите ребенка распознавать кошек на картинках. Сначала вы показываете ему фото с разными животными и говорите: «Вот это кошка, а это собака». С каждой новой картинкой ребенок все лучше понимает, на что обращать внимание — усы, форму ушей, лапки. Через некоторое время он уже сам безошибочно узнает кошку.

Deep Learning — это примерно то же самое, только для компьютера. Вы даете программе очень много примеров, например, тысячи фотографий с кошками и собаками, и она сама учится находить отличия. Причем делает это не по заданным заранее правилам, а на основе анализа — как бы «своим умом». Даже когда вы смотрите рекомендации на Netflix, работает алгоритм, который предсказывает, что вам может понравиться на основе предыдущих выборов. 

Благодаря глубокому обучению мы имеем голосовых помощников, умные рекомендации на YouTube, фильтры в Instagram и даже технологии диагностики в медицине. Если сказать просто, то это способ «научить» машину думать на основе большого количества данных и примеров. Однако, чтобы начать разбираться в этой теме, не обязательно быть ученым или математиком.