python машинное обучение курсы
10 курсов по машинному обучению на лето
За последние десятилетия с помощью машинного обучения создали самоуправляемые автомобили, системы распознавание речи и эффективный поиск. Сейчас это одна из самых быстроразвивающихся и перспективных сфер на стыке компьютерных наук и статистики, которая активно используется в искусственном интеллекте и data science. Методы машинного обучения используются в науке, технике, медицине, ритейле, рекламе, генерации мультимедиа и других областях.
Команда Университета ИТМО собрала десять курсов по машинному обучению, которые можно успеть пройти до конца лета. Одним они помогут войти в профессию, а другим — углубиться в нее.
1. «Введение в машинное обучение»
Площадка: Coursera
Автор: Высшая школа экономики, Школа анализа данных Яндекс
Длительность: 7 недель, 3-5 часов в неделю
Стоимость: бесплатно
Язык: русский
На курсе рассказывает преимущественно про основные типы задач машинного обучения: классификацию, регрессию и кластеризацию. Преподаватели из Яндекса и Высшей школы экономики объясняют основные методы и рассказывают про их особенности, учат оценивать качество моделей и понимать, для решения какой задачи подходит каждая из них. Программа рассчитана на семь недель, но если постараться, то можно закончить курс до 1 сентября. Курс ориентирован на слушателей, которые знакомы с Python, так как используются его библиотеки numpy, pandas и scikit-learn.
2. Введение в машинное обучение от GL4G
Площадка: Great Learning
Автор: Great Learning
Длительность: 1,5 часа
Стоимость: бесплатно
Язык: английский
Короткий курс предназначен для тех, кто интересуется машинным обучением, но пока еще не знает, с чего начать. Программа состоит из 12 видеоуроков и объясняет, что такое машинное обучение и как алгоритм может учиться, рассказывает основную терминологию и методы, а также дает практические упражнения.
Курс разработан двумя дата-сайентистами, чтобы объяснить сложную теорию, алгоритмы и программирование с использованием библиотек машинного обучения. Программа состоит из десяти частей, в которых рассматривается обработка данных, регрессия, классификация, кластеризация, обучение с подкреплением, обработка естественного языка и глубокое обучение. На курсе есть практические упражнения и шаблоны кода для Python и R. Большое внимание уделяется выбору правильной модели для каждого типа задач.
Программа курса помогает понять, как использовать Python для анализа данных, создания визуализации и использования алгоритмов машинного обучения. На курсе используются NumPy, Seaborn, Matplotlib, Pandas, Scikit-Learn, Machine Learning, Plotly, Tensorflow и другие инструменты. Также слушателям расскажут про обработку естественного языка, искусственный интеллект и глубокое обучение.
На курсе рассказывается об использовании искусственного интеллекта и машинного обучения для решения бизнес-задач. Преподаватель Фрэнк Кейн девять лет работал в Amazon и IMDb, создавая рекомендательные системы. Каждая концепция описывается на простом языке без сложных математических терминов. После вводной части демонстрируется использование кода на Python. Основное внимание уделяется практическому пониманию и применению алгоритмов машинного обучения. В конце курса слушателям предлагают работу над итоговым проектом, чтобы применить новые знания.
6. Курс машинного обучения от Google
Площадка: Google
Автор: Google
Длительность: 15 часов видеолекций
Стоимость: бесплатно
Язык: английский
Компания предлагает быстрое и практическое введение в машинное обучение с использованием API TensorFlow. Курс включает серию уроков с видеолекциями, реальными задачами и практическими упражнениями. Всего слушателям необходимо прослушать 25 уроков и выполнить 40 упражнений. Для всех алгоритмов предлагается интерактивная визуализация.
7. Структурирование проектов по машинному обучению
Площадка: Coursera
Автор: deeplearning.ai
Длительность: две недели
Стоимость: подписка на Coursera 3 039 ₽ в месяц
Язык: английский
Преподаватели курса из Стэнфордского университета расскажут, как построить работу команды по машинному обучения. За две недели слушатели научатся находить ошибки в системе машинного обучение, расставлять приоритеты в направлении работы и понимать сложные детали машинного обучения, например, невалидные обучающие наборы данных.
8. Использование глубокого обучения в творчестве с помощью TensorFlow
Площадка: Kadenze
Автор: Google Magenta
Длительность: пять сессий по 12 часов
Стоимость: бесплатно
Язык: английский, русские субтитры
Курс создан при поддержке проекта Magenta от Google, в рамках которого компания пытается создать «творческий компьютер». Преподаватели рассказывают про основные компоненты глубокого обучения, которые необходимы для построения алгоритмов: сверточные сети, вариационные автокодеры, генеративные состязательные сети и рекурсивные нейросети. Внимание уделяется творчеству нейросетей. Например, работе с изображением и созданию контента, который будет соответствовать эстетике или содержимому другого изображения.
9. Статистическое машинное обучение
Площадка: YouTube
Автор: Университет Карнеги — Меллона
Длительность: 24 лекции по 1,5 часа
Стоимость: бесплатно
Язык: английский, русские субтитры
На YouTube есть запись цикла лекций профессора Департамента статистики и факультета машинного обучения Университета Карнеги-Меллона Ларри Вассермана. Курс рассчитан на людей с продвинутыми знаниями математики и программирования, так как ориентирован на интеграцию статистики и машинного обучения. Предпосылкой к курсу служат лекции «Промежуточная статистическая теория» и «Введение в машинное обучение».
Курс входит в сертификацию Microsoft в области науки о данных. На нем рассказывают, как создавать и работать с моделями машинного обучения с использованием Python, R и Azure Machine Learning. Преподаватели рассказывают о классификации, регрессии в машинном обучении, контролируемых моделях, системах нелинейного моделирования, кластеризации и разработке рекомендаций.
Для тех, кому ближе оффлайн-встречи, Университет ИТМО со 2 по 15 августа проводит в Санкт-Петербурге Летнюю школу машинного обучения на базе Центра речевых технологий. Слушатели получат практический опыт применения методов и алгоритмов глубокого обучения для анализа аудиовизуальных данных для распознавания эмоций.
Требования к участникам:
— студенты старших курсов;
— владение Python;
— имеют опыт применения современных методов машинного обучения;
— огромное желание развиваться в области аудио- и видеоаналитики.
Прием заявок продлится до 23 июля. Зарегистрироваться можно на сайте. Участие в Школе бесплатное. Также организаторы оплачивают проживание в общежитии Университета ИТМО. А за лучшее решение тестового задания — и транспортные расходы.
Python машинное обучение курсы
Открытый курс «Основы языка Python для анализа данных и решения задач машинного обучения» представляет собой видеокурс от проекта Python School и «Школы Больших Данных» для изучения основ программирования на языке Python и получения практических навыков работы со специализированными библиотеками Python по методам машинного обучения (Machine Learning), подготовке и анализу больших данных (Data Science). Курс предназначен для аналитиков и инженеров данных, руководителей и специалистов по работе с большими данными, которые не имеют соответствующей подготовки по программированию.
Роль Python в мире Big Data
Для успешного освоения современных фреймворков для работы с большими данными и методами машинного обучения необходимо умение программировать на одном из языков программирования: таких как Java, Scala, Python. Подготовка программиста длительный и сложный процесс, требующий времени на освоение теории и многих месяцев практики. Наша задача — не ускорить процесс подготовки, а сфокусироваться на изучении конкретных библиотек Python, которые традиционно используются для обработки и визуализации больших данных.
В рамках этих направлений наибольшую популярность получили библиотеки NumPy и Scipy, Pandas, Matplotlib и Seaborn. Они позволяют подготовить данные к анализу, а также визуализировать и интерпретировать результаты моделирования с помощью специализированных методов.
Благодаря этому Data Scientist и аналитик данных могут быстро проанализировать большие объемы «необработанной» информации, например, исключить повторяющиеся значения в массиве или выявить тренды. Также знание этих библиотек пригодится инженеру данных и разработчику Big Data решений, задействованных в промышленных проектах Data Science.
Кому необходимы курсы по основам Python в Data Science
Курс ориентирован на ИТ-специалистов (администраторы, аналитики и инженеры данных), которые отвечают за администрирование, сопровождение и разработку систем хранения и подготовки больших данных для задач аналитики и решения задач машинного обучения с использованием языка Python.
Курс FUNP «Основы языка Python для анализа данных и решения задач машинного обучения» позволяет в короткие сроки получить необходимую базовую подготовку по теории и практический опыт работы с необходимыми библиотеками. Наша цель — не изучать фундаментальные основы программирования на Python в теории, а подготовить специалистов, использующих большие данные, к работе с библиотеками, которые поддерживают быстрые вычисления и научные расчеты, обработку табличных и текстовых данных, а также визуализацию результатов исследований. Именно поэтому наши преподаватели, в большей степени, не преподаватели Python, а практикующие специалисты по Data Science и инженеры данных, которые используют Python для решения прикладных задач подготовки данных, применения методов машинного обучения и построения нейронных сетей. Они на практике знают все нюансы применения Python и «то, что именно нужно» для успешного усвоения материала.
Курс рассчитан на мотивированных студентов, умеющих пользоваться справочной литературой и материалами, включая видео-лекции и практические материалы по выполнению лабораторных работ в среде Google Colab для самостоятельного обучения.
Для корпоративных слушателей и участников программы обучения «Другие 48 часов» предусмотрен платный вариант прохождения курса в формате вебинара или в классе под руководством преподавателя с полной поддержкой в ходе обучения. Подробнее смотрите наше предложение «Другие 48 часов» FUNP+DPREP
Курс является вводным и обязательным для подготовки специалистов по работе с распределенными MPP-системами, NoSQL СУБД, Apache Hadoop, Kafka, Spark, но не имеющими навыков программирования на Python или любом другом языке (Java, Scala и др.) для прохождения специализированных курсов:
Предварительный уровень подготовки:
Как построен образовательный курс «Основы языка Python для анализа данных и решения задач машинного обучения»
Формат обучения:
Методические материалы: учебное пособие на русском языке с практическими лабораторными работами
Целью курса является изучения основ программирования Python для получения достаточных практических навыков для работы с инструментарием библиотек NumPy, Scipy, Pandas, Matplotlib и Seaborn, применяемых для задач подготовки и анализа данных. Успешно освоив материалы курса, вы сможете глубже погрузиться в тематику обработки и анализа данных на профессиональном уровне. В итоге вы приобретете базовые знания и навыки применения инструментария Python в прикладных задачах Data Science.
Особенности курса:
Успешно окончив курс «Основы языка Python для анализа данных и решения задач машинного обучения» в нашем лицензированном учебном центре, вы получите сертификат о повышении квалификации установленного образца.
Программа курса «Основы языка Python для анализа данных и решения задач машинного обучения»
16 бесплатных онлайн-курсов по машинному обучению
Популярная тенденция в сфере онлайн-образования — массовые открытые онлайн-курсы (Massive open online-courses, MOOC). Появились бесплатные курсы по машинному обучению и data science. Они доступны каждому и основаны на образовательных программах от ведущих университетов, например, МФТИ.
Большинство MOOC по машинному обучению доступны на английском языке и представлены на известных платформах онлайн-образования, таких как Coursera, Udacity, World Education University и edX.
Отдельно стоит отметить, что курсы Coursera доступны бесплатно только для прослушивания лекций. Для того, чтобы выполнять задания или получить сертификат по окончании курса, нужно оформить подписку или оплатить курс.
Видео-материалы и лекции курса можно получить бесплатно, для этого на странице курса внизу нужно нажать кнопку «прослушать курс», как показано на картинке:
Как бесплатно прослушать курсы по машинному обучению
В этой статье собраны бесплатные курсы по машинному обучению и Data Science на русском языке или с русскими субтитрами.
Введение в машинное обучение
Авторы: ВШЭ и Яндекс
Платформа: Coursera
Язык: русский
На курсе Константина Воронцова Введение в машинное обучение рассматриваются популярные задачи, решаемые с помощью машинного обучения — классификация, регрессия, кластеризация. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах, желательно иметь базовые навыки программирования и быть знакомым с python.
Продолжительность: 35 часов
Машинное обучение и анализ данных
Авторы: МФТИ и Яндекс
Платформа: Coursera
Язык: русский
Специализация Машинное обучение и анализ данных включает 6 курсов. Осваиваются основные инструменты, необходимые в работе с большим массивом данных: современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, фундаментальная математика, основы программирования на python.
Продолжительность: 8 месяцев (7 часов в неделю)
Python для анализа данных
Авторы: МФТИ, ФРОО, Mail.ru Group
Платформа: Coursera
Язык: русский
Курс Python для анализа данных ориентирован на решение практических задач. Студенты будут применять свои навыки программирования для построения предиктивных моделей, визуализации данных и работы с нейросетями.
Продолжительность: 25 часов
Введение в науку о данных
Автор: СПбГУ
Платформа: Coursera
Язык: русский
Курс Введение в науку о данных рассматривает постановку и решение типичных задач, с которыми может столкнуться в своей работе data scientist, подходы к сбору, анализу, обработке и визуализации массивов данных.
Продолжительность: 17 часов
Глубокое обучение в творчестве с TensorFlow
Автор: Google Magenta
Платформа: Kadenze
Язык: английский, русские субтитры
MOOC Использование глубокого обучения в творчестве с помощью TensorFlow расскажет о том, как строить алгоритмы глубокого обучения на основе сверточных, рекуррентных, генеративных нейросетей и применять их для создания творческих приложений.
Продолжительность: 60 часов
Data Science
Автор: Johns Hopkins University
Платформа: Courserа
Язык: английский, русские субтитры
В специализацию Data Science университета John Hopkins входят 10 курсов, включая сбор и сортировку данных, программирование на языке R, регрессионные модели, разработку продуктов для обработки данных и другие.
Продолжительность: 8 месяцев (5 часов в неделю)
Data science для руководителей
Автор: Johns Hopkins University
Платформа: Courserа
Язык: английский, русские субтитры
Data Science для руководителей — это ускоренная обучающая программа — 5 курсов, которые дают базовое понимание о том, что такое data science и как работать с проектами в этой сфере, собирать и развивать команду и даже лидерские качества.
Продолжительность: 40 часов
Нейронные сети
Автор: Институт биоинформатики
Платформа: Stepic
Язык: русский
Бесплатный курс Нейронные сети дает основы теории нейронных сетей и практики применения. Детальный разбор процесса создания и применения нейронных сетей. Алгоритмы, лежащие в основе нейросетей и множество практических задач.
Продолжительность: 33 часа
Программирование на Python
Автор: Институт биоинформатики
Платформа: Stepic
Язык: русский
На курсе Программирование на Python представлены базовые понятия программирования на python и большое количество практических задач. Решения будут проверяться автоматической системой.
Продолжительность: 22 часа
Алгоритмы: теория и практика. Методы
Автор: Computer Science Center
Платформа: Stepic
Язык: русский
Рассматриваются теоретические основы создания алгоритмов и особенности реализации на языках C++, Java и Python.
Продолжительность: 35 часов
Основы программирования на R
Автор: Институт биоинформатики
Платформа: Stepic
Язык: русский
На курсе Основы программирования на R изучаются основные типы данных и семантические правила, анализ и обработка данных.
Продолжительность: 19 часов
Анализ данных в R
Автор: Институт биоинформатики
Платформа: Stepic
Язык: русский
На курсе рассматриваются этапы статистического анализа на R — предварительная обработка данных, применение статистических методов анализа и визуализация данных.
Продолжительность: 21 час
Базы данных
Автор: СПбГУ
Платформа: Coursera
Язык: русский
В основе курса Базы данных изучение и применение языка SQL для создания, модификации объектов и управления данными в реляционных базах данных. Рассматриваются сферы применения NoSQL баз данных и современные подходы к обработке big data.
Продолжительность: 20 часов
От Excel до MySQL: способы анализа бизнес-данных
Автор: Duke University
Платформа: Coursera
Язык: английский, русские субтитры
В специализацию входят 5 курсов, которые демонстрируют, как использовать Excel, Tableau и MySQL для анализа данных, прогнозирования, создания моделей и визуализации данных для решения задач и улучшения бизнес-процессов.
Продолжительность: 8 месяцев (5 часов в неделю)
Линейная регрессия
Автор: СПбГУ
Платформа: Coursera
Язык: русский
В курсе Линейная регрессия разбираются основные методы описания взаимосвязей между количественными признаками, регрессионный анализ и построение моделей. Специальное место отводится операциям с матрицами. Курс ориентирован на людей, которые уже знакомы с базовыми понятиями анализа данных.
Продолжительность: 22 часа
Анализ данных
Автор: НГУ
Платформа: Coursera
Язык: русский
В специализацию Анализ данных Новосибирского государственного Университета входят 4 курса. Курсы содержат материалы по основам теории вероятностей и математической статистики, исследованию связей между признаками, построению прогнозов на основе регрессионных моделей, кластерному и статистическому анализу. Курсы разработаны совместно с 2GIS.
Продолжительность: 4 месяца (3 часа в неделю)
Самые лучшие ресурсы для изучения ML и AI
«Программировать может всякий». Да, это еще то клише, так что давайте его немного изменим: «Изучить ИИ может всякий». Вероятно, для вас это даже звучит как-то страшно, особенно, если вы не имеете докторской степени и если вы не чокнутый ученый.
Но поверьте: к концу этой статьи вы будете точно знать, что вам нужно изучать и к каким учебным ресурсам обратиться, чтобы последовательно изучить ИИ. При этом не важно, программист вы или нет.
Но прежде чем начать, следует уточнить, что ИИ это очень широкая сфера деятельности, состоящая из многих частей, таких как машинное обучение, глубокое обучение, обработка естественного языка и т. д. В общем, ИИ напоминает океан, а его составляющие — моря, так что изучить ИИ полностью попросту нереально.
Но довольно болтовни: приступим к делу.
1. This is CS50 (Гарвардский университет)
Прим. ред: курс «This is CS50» на русском смотрите, например, здесь.
Если вы не программист и программирование для вас — совершенно незнакомая область знаний (возможно, вы даже думаете, что это вообще не для вас), то этот курс — отличный старт.
В лекциях курса раскрываются основы и сама суть программирования и информатики. Читает лекции профессор Дэвид Малан, отличающийся динамичностью и особой энергетикой. Если у вас нет времени на просмотр целого курса, посмотрите хотя бы первую лекцию.
Все сказанное предназначалось для совершенных новичков. Если же вы в принципе знакомы с программированием, этот курс можно пропустить.
2. Python Programming Course (freeCodeCamp)
Когда речь заходит о программировании в сфере ИИ и машинного обучения, чаще всего вы будете слышать о Python. Это один из языков, популярность которых растет наиболее быстро. В его экосистеме вы найдете тысячи библиотек, заточенных под работу с ИИ, а это очень сильно облегчает жизнь разработчика в долгосрочной перспективе. А самое лучшее в Python то, что этот язык прост.
Курс от freeCodeCamp это видео на 4,5 часа, в котором раскрываются все самые необходимые темы: установка Python, переменные, строки, списки, кортежи, функции, концепции объектно-ориентированного программирования и многое другое. Кстати, этот курс по своей сути — практическое руководство, т. е., вы будете не просто смотреть лекции, но и самостоятельно писать код.
Если вы умеете программировать на Python, этот курс тоже можно пропустить.
3. AI For Everyone (Coursera)
Наконец мы добрались до собственно ИИ. Этот курс чисто теоретический. Читает его самый известный специалист в сфере машинного обучения и ИИ — профессор Эндрю Ын. Под «самый известный» мы понимаем, что буквально каждый, кто интересуется искусственным интеллектом, слыхал об Эндрю Ыне.
Этот курс выгодно отличает краткость, лаконичность и интересное изложение, понятное для всех — даже тех, кто ничего не знает об ИИ, да и программировании в целом.
Пройдя этот курс, вы получите прекрасные ответы на некоторые из самых распространенных, но при этом интересных вопросов:
Один из самых важных вопросов, который непременно приходит в голову при изучении машинного обучения и ИИ, звучит так:
«Должны ли мы хорошо знать внутреннюю работу алгоритмов или же можно изучать их поверхностно, реализуя алгоритмы при помощи существующей платформы машинного обучения и ИИ?»
Например: должен ли я реализовывать нейронную сеть (один из популярных алгоритмов глубокого обучения) с нуля или могу воспользоваться какой-нибудь из имеющихся платформ, скажем, Tensorflow или Pytorch?
Мы советуем вам, прежде чем реализовывать алгоритмы с использованием любых внешних библиотек, все же изучать их внутреннюю работу, но итоговое решение, конечно, за вами.
4. Machine Learning от Стенфордского университета (Coursera)
Это один из самых популярных курсов по машинному обучению, ведет его профессор Эндрю Ын. На момент написания статьи число записавшихся на этот курс перевалило за 3 миллиона человек.
Также это определенно один из самых глубоких курсов по ML, в нем излагается внутренняя работа алгоритмов и стоящие за всем этим математические расчеты.
При написании алгоритмов в этом курсе используются Octave/Matlab, но мы советуем вам писать алгоритмы на Python, поскольку это стандарт индустрии.
5. Machine Learning Tutorial (codebasics)
Итак, после того как вы попробовали реализовывать алгоритмы с нуля, можно приступать к следующему курсу. Он также весьма пригодится вам, если вы почувствовали дискомфорт от тесного общения с математикой в привязке к машинному обучению.
Этот курс — один из лучших и при этом недооцененных курсов на YouTube. Его отличает простота пояснений. В ходе курса для реализации и визуализации различных алгоритмов машинного обучения используются такие библиотеки как numpy, pandas, matplotlib и sklearn. Благодаря этим внешним библиотекам вы сможете с легкостью реализовать все нужные алгоритмы, написав всего несколько строк кода.
Помимо объяснения стандартных алгоритмов машинного обучения, таких как линейная регрессия, логистическая регрессия, деревья принятия решений, случайный лес, метод опорных векторов, в этом курсе также раскрываются и другие темы, такие как градиентный спуск, фиктивная переменная и унитарное кодирование.
После того как вы освоитесь в теме машинного обучения, можно будет браться за его подвид — глубокое обучение.
Алгоритмы глубокого обучения лежат в основе систем рекомендаций и персонализации Netflix, Amazon, YouTube и многих других крупных корпораций и стартапов.
6. Deep Learning Specialization (Coursera)
Это комплексный курс по отдельной специализации, а именно — глубокому обучению. Читает его тот же Эндрю Ын. Специализация состоит из пяти отдельных курсов:
Материал в этих курсах разбирается глубоко, причем внимание уделяется как технической, так и математической стороне алгоритмов и подходов. Для кодинга здесь используется Python.
Tensorflow и Pytorch — это фреймворки глубокого обучения с открытым кодом. Они доминируют в сфере ИИ. За Tensorflow стоит Google, а за Pytorch — Facebook.
По части популярности и количества загрузок Tensorflow лидирует, но сообщество, занимающееся исследованиями в области ИИ, крепко держится за Pytorch. В общем, выбор фреймворка зависит от вас и от платформы, которую вы используете. Мы советуем попробовать оба и уж затем решить, что вам лучше подойдет.
7. Tensorflow in Practice Specialization (Coursera)
Как и другие комплексные курсы на Coursera, этот курс состоит из разных частей, в данном случае — четырех.
Эти курсы легко усваиваются, к тому же они по сути своей практические. Ведет их инструктор Лоренс Морони — ИИ-адвокат в Google.
В рамках этих курсов вы будете при помощи Tensorflow создавать реальные приложения.
8. Pytorch Tutorial (официальный сайт Pytorch)
Если вы хотите освоить фреймворк Pytorch, лучше всего обратиться к его официальному сайту. Руководства на этом сайте разделены на небольшие кусочки, в целом покрывающие большую часть основ Pytorch. Также здесь вы найдете туториалы по реализации различных модулей глубокого обучения при помощи этого фреймворка.
Честно говоря, на прохождение всех курсов из нашего списка уйдет довольно много времени, так что каждому стоит самостоятельно проанализировать свои нужды и в соответствии с ними расставить приоритеты.
Эту статью мы хотели бы завершить на высокой ноте. Кто угодно может изучить ИИ. Но кроме того, каждому стоит это сделать, потому что ИИ это следующая индустриальная революция.