Machine Learning | ACA

Machine Learning

Միացի՛ր մեքենայական ուսուցման դասընթացին և ստացիր հիմնարար գիտելիքներ համակարգչային գիտությունների ամենաարագ և դինամիկ զարգացող ոլորտում։ Դասընթացը ընթացքում կուսումնասիրենք վերահսկվող ուսուցում (Supervised learning), առանց վերահսկման ուսուցում (Unsupervised learning), նեյրոնային ցանցեր և խորհրդատու համակարգեր (recommendation engine): Դասընթացի մասնակիցները կստանան կրթաթոշակներ ACA-ի և գործընկեր կազմակերպությունների կողմից։ 


ml.svg

Տևողություն

5 ամիս

Մակարդակ

Մասնագիտացված

Տեսակ

լսարանային

Դասաժամեր

10 ժամ/շաբաթ

Փորձառու դասախոսներ

Սովորե՛ք ոլորտի լավագույն մասնագետներից

Ստացե՛ք գործնական գիտելիքներ նրանցից, ովքեր հաջողության են հասել ՏՏ ոլորտում։

Լավ կազմված ուսումնական ծրագիր։

Մեր մասնագետները աշխատում են հատուկ մշակված ծրագրով, որը կապահովի Ձեզ և՛ տեսական, և՛ գործնական գիտելիքներով։

/static/images/general/main-companies.png
Avatar

Վահան Հուրոյան

Assistant Professor position at The Department of Mathematics and Statistics of Saint Louis University.

Avatar

Նաիրի Հակոբյան

Machine Learning Engineer @ Krisp

Avatar

Ռուբեն Հասրաթյան

Senior Machine Learning Engineer @ Krisp

Avatar

Վահե Ճիտոյան

Machine Learning @ Google ATAP

Գտնել աշխատանք

Զարգացնել հմտությունները։

Մեր ծրագիրը բաղկացած է ինչպես տեսական, այնպես էլ գործնական մասերից։ Սովորեք՝ ինչպե՞ս պատրաստել պրեզենտացիաներ և աշխատել խմբում:

Աշխատանք Ձեր պորտֆոլիոյի վրա։

Սերտիֆիկատ ունենալը իհարկե կարևոր է, բայց առավել կարևոր է պորտֆոլիոյի առկայությունը։ Սկսե՛ք աշխատել վերջինիս վրա սովորելու ընթացքում։ Մեր կրթական ծրագիրը նախատեսված է այդ հարցում Ձեզ օգնելու համար։

Ծրագիրը ներառում է հարցազրույցի նախապատրաստում` աշխատանքի ընդունվելու փուլերին պատրաստելու նպատակով:

Ուսանողները հնարավորություն կունենան կիրառել իրենց ստացած գիտելիքները, որոնք մշակված է համաձայն առաջատար ՏՏ ընկերությունների պահանջների։
Նախորդ դասընթացների շրջանավարտների ավելի քան 90%-ը դասընթացի ավարտից հետո անցել են աշխատանքի PicsArt, Krisp, Softconstruct, Podcastle, Webb Fontaine, Ameriabank, Podcastle, Zero, Intelinair, Optym, Puzl ընկերություններում։

/static/images/general/course-2.png
adobe.svg
ameria
coinstats
krisp
om
playengine
10web.svg
disqo
philipMorris.svg
simply.svg

Ուսումնական գործընթաց

Մեր դասընթացների որակի հիմքում ընկած է դասապրոցեսի կառուցվածքային կազմակերպումը՝ տեսական և գործնական դասեր, տնային աշխատանք, կապ դասընթացավարի հետ։

Դասախոսություններ

Դասընթացի այս հատվածում ուսանողները ստանում են տեսական գիտելիքներ, ծանոթանում նոր տեխնոլոգիաներին և աշխատանքային մեթոդոլոգիաներին, ունենում քննարկումներ։

Սեմինարներ

Սեմինարների ընթացքում պրակտիկ օրինակներով ամրապնդվում է այն ամբողջ ինֆորմացիան, որն ուսանողները ստացել են տեսական դասերի ժամանակ։ Քննարկվում են ուսանողների մոտ առաջացած խնդիրները և յուրաքանչյուրին ցուցաբերվում է անհատական մոտեցում։

Խորհրդատվություն

Մենք պատրաստ ենք տրամադրել համապարփակ տեղեկատվություն բոլոր դասընթացների վերաբերյալ՝ ներկայացնելով յուրաքանչյուրի առանձնահատկություններն ու հնարավոր հեռանկարները՝ օգնելով Ձեզ վերջնական որոշում կայացնել։ Ընդունելության և ուսումնառության ողջ ընթացքում ուսանողները կապի մեջ են լինում դասընթացը համակարգող մասնագետի հետ։

Ավարտական Պրոյեկտ

«Մասնագիտացված» դասընթացների ընթացքում ձեռք բերված գիտելիքները լավագույնս ամրապնդվում են վերջին՝ խմբային նախագծերի փուլում։

Վկայական

«Մասնագիտացված», ինչպես նաև «QA Fundamentals» և «Project Management» դասընթացները հաջողությամբ ավարտող ուսանողներին տրամադրվում են վկայանականներ, որոնք բարձր են գնահատվում հայաստանյան IT ընկերությունների կողմից:

Աշխատանք

Ուսումնառության ընթացքում ստացած գիտելիքները լիովին բավարար են ոլորտում սկսնակ մասնագետի աշխատանք գտնելու համար: «Մասնագիտացված» բաժնի դասընթացների ավարտին լավագույն ուսանողները ստանում են աջակցություն աշխատանքի որոնման հարցում: Կարևոր է նաև նշել, որ այս փուլում վերջնական որոշում կայացնողը գործատու կազմակերպությունն է:

Խորհրդատվություն

Եթե չեք կողմնորոշվում ծրագրի ընտրության հարցում, առաջարկում ենք լրացնել հայտը, և մենք կապ կհաստատենք հնարավորինս սեղմ ժամկետում։

+374

Ծրագիր

Regression

  • Introduction
  • Linear Regression
  • Cross-Validation

Classification

  • Logistic Regression
  • Soft and Hard Margin SVM
  • Evaluation Metrics

Trees

  • Trees
  • Random Forests
  • Ensemble methods

Unsupervised Clustering

  • Clustering; K-Means
  • Cluster evaluation methods
  • Gaussian Mixture Models

Unsupervised Learning

  • Density Estimation – Kernel Density Estimation
  • Binning and KD-Trees for KDE
  • Dimensionality Reduction: PCA, SVD

Neural Networks

  • Tensorflow
  • Optimizers, Backpropagation
  • Convolutional Neural Networks

NLP

  • Language Modelling
  • Recurrent Neural Networks
  • Attention, Transformers

Recommendation Engine

  • Collaborative Filtering
  • Matrix Factorization
  • Factorization Machines

Գրանցվի՛ր

+374

Գևորգ Աղեկյան

Գևորգ Աղեկյան

Machine Learning Team Lead @ FinConstruct

ACA -ում Մեքենայական ուսուցման դասընթացին մասնակցելը կարևոր իրադարձություն էր ML Engineer-ի իմ հմտությունները և պորտֆոլիոն զարգացնելու համար: Աշխարհի առաջատար ընկերությունների փորձառու դասախոսներն ամեն ինչ արեցին ուսանողների հետ իրենց փորձով կիսվելու համար: Դասընթացը պատկերացում տվեց մեքենայական ուսուցման բազմաթիվ ճյուղերի, ժամանակակից ալգորիթմների և տեխնիկաների մասին՝ այդպիսով ապահովելով գործնական փորձ և մեքենայական ուսուցման գործիքների բավականին մանրամասն պատկերացում:

Արամ Սարգսյան

Արամ Սարգսյան

AI/ML Scientist Podcastle

ACA-ը նման է զսպանակի յուրաքանչյուրի կարիերայում. սկզբից այն սեղմվում է, երբ ստանում ես գիտելիքներ և հմտություններ, այնուհետև այն կտրուկ ձևով մղում է քեզ առաջ, երբ ձեռք ես բերում աշխատանք:

Արա Երոյան

Արա Երոյան

Machine Learning Engineer at Plat.AI

ACA-ի դասընթացները ինձ հնարավորություն տվեցին ձեռք բերել մի շարք մասնագիտական գիտելիքներ, ինչպիսիք են բարձրագույն մաթեմատիկան, վիճակագրությունը, ծրագրավորումը, մեքենայական և խորը ուսուցումը՝ սովորելով ոլորտի առաջատար մասնագետների մոտ։ Բացի տեսական գիտելիքներից, գործնական դասերի և նախագծային աշխատանքների շնորհիվ ամրապնդեցի և ընդլայնեցի փորձս: Այս ամենի շնորհիվ ինձ հաջողվեց անմիջապես մուտք գործել աշխատաշուկա՝ կիրառելու նոր ձեռք բերած հմտություններս:

Հաճախ Տրվող Հարցեր

Ի՞նչ նախնական գիտելիքներ են անհրաժեշտ դասընթացին մասնակցելու համար։

Դասընթացին մասնակցելու համար անհրաժեշտ են մաթեմատիկական անալիզի և գծային հանրահաշվի գիտելիքներ։ Python ծրագրավորման լեզվի և հավանականության տեսության գիտելիքները կդիտվեն որպես առավելություն։

Դասընթացին կարո՞ղ են մասնակցել մեքենայական ուսուցման սկսնակ մասնագետներ։

Իհարկե, դասընթացը հնարավորություն կտա խորացնել Ձեր գիտելիքները ոլորտում և կիրառել դրանք գործնականում։

Դասընթացը ավարտելուց հետ կարո՞ղ եմ անցնել աշխատանքի։

Դասընթացը մշակված է համաձայն առաջատար ՏՏ ընկերությունների պահանջների։ Նախորդ դասընթացների շրջանավարտների ավելի քան 90%ը դասընթացի ավարտից հետո անցել են աշխատանքի PicsArt, Krisp, Softconstruct, Podcastle, Webb Fontaine, Ameriabank, Podcastle, Zero, 10Web, Intelinair, Optym, Puzl ընկերություններում։

Արդյոք կարող եմ համատեղել դասընթացը համալսարանում ուսուցման կամ աշխատանքի հետ։

Դասախոսությունները անց են կացվում աշխատանքային օրերին, երեկոյան ժամը յոթին, իսկ գործնական աշխատանքները շաբաթ և կիրակի օրերին։ Այսպիսով դասընթացի գրաֆիկը հարմար է թե ուսանողներին և թե ամբողջ դրույքով աշխատող մասնագետներին։ Սակայն անհրաժեշտ է հաշվի առնել, որ դասընթացը շատ ինտենսիվ է, և ձեզնից կպահանջնվի շաբաթեկան 10-ից 15 ժամ արտալսարանային զբաղվածություն։

Ի՞նչ անել, եթե չկարողացա լուծել դասընթացի քննական թեստը:

Կարող եք կայքի միջոցով գրանցվել խորհրդատվության համար, որի ընթացքում մեր մասնագետը կառաջնորդի մասնագիտության և դասընթացի ընտրության հարցում։

Ի՞նչ ժամանակահատվածում կստանամ քննության արդյունքների մասին տեղեկատվություն։

Քննությանը հաջորդող երկու շաբաթվա ընթացքում կստանաք պատասխան նամակ Ձեր էլ.հասցեին։ Նամակը չստանալու պարագայում խնդրում ենք ստուգել նաև “Spam” ենթաբաժինը: