դասախոսներ
ՀՏՀ
կապ
EN
ԽՈՐԱՑՎԱԾ ՄԵՔԵՆԱՅԱԿԱՆ ՈՒՍՈՒՑՈՒՄ
Դասընթացի նպատակն է 5 ամիսների ընթացքում տալ խորացված գիտելիքներ մեքենայական ուսուցման վերաբերյալ
ՈՒ՞Մ ՀԱՄԱՐ Է ԴԱՍԸՆԹԱՑԸ
Ուսանողների,
ովքեր ցանկանում են մասնագիտանալ ML-ի և տվյալագիտության ոլորտում։
Մասնագետների,
ովքեր ցանկանում են փոխել մասնագիտությունը կամ բարելավել հմտությունները։
Աշխատակիցների,
ովքեր ցանկանում են ձեռք բերել նոր հմտություններ՝ աշխատանքը բարելավելու համար
Մեքենայական ուսուցումն ունի բարձր պահանջարկ և զարգացման մեծ հեռանկար աշխատաշուկայում
Սովորելով ML՝ դու կատարում ես ներդրում քո ապագայի մեջ՝ դառնալով ոլորտի առաջատար մասնագետ
Մեծ հեռանկար
Ներդրում ապագայի մեջ
Գրաֆիկի ճկունություն
Դու կարող ես աշխատել հեռավար, ֆրիլանս կամ ցանկացած այլ ձևաչափով՝ առանց սահմանափակումների
Նոր որակների զարգացում
ML սովորելը կօգնի զարգացնել հետազոտելու, խնդիրներ լուծելու, վերլուծելու և բազմաթիվ այլ որակներ
Ինչու՞ սովորել մեքենայական ուսուցում
5 ամիս տևողություն
օֆլայն, օնլայն, հիբրիդային
ձևաչափ
Որտե՞ղ են աշխատում մեր ուսանողները
SLIDER FOR MOBILE VERSION
Ի՞ՆՉ Է ՆԵՐԱՌՈՒՄ ԴԱՍԸՆԹԱՑԻ ՓԱԹԵԹԸ
Անհատական մոտեցում
Ե'վ դասընթացի ընթացքում, և' դրա ավարտից հետո կստանաս
անհատական խորհրդատվություն դասախոսի կողմից։
Դու կդառնաս ML{aca}ն Community-ի մի մասը՝ ստանալով հնարավորություն կիսվել մտքերով և հարցերով համայնքի հետ։
Շրջանավարտների ակումբ
24/7 coworking տարածք

ACA-ի դռները միշտ բաց կլինեն քո առաջ։ Դու կարող ես աշխատել այստեղից՝ ամբողջությամբ անվճար և ցանկացած ժամի։
Ավարտական նախագիծ
Դասընթացի ավարտին դասախոսի օգնությամբ դու կունենաս պորտֆոլիո և կներկայացնես ավարտական ամբողջական նախագիծ։
Դու կունենաս փափուկ հմտությունները զարգացնելու, գրագետ CV կազմելու, Linkedin-ը գրագետ վարելու վորքշոփներ
Soft Skill-երի վորքշոփ
1-1 հանդիպումներ
Ծրագրի ղեկավարի հետ պարբերաբար կունենաս 1-1 հանդիպումներ, որոնք կօգնեն ապահովել լավագույն արդյունք
01
02
03
04
05
06
Ինչպե՞ս ՄԱՍՆԱԿՑԵԼ դասընթացին
Գրանցվի'ր դասընթացին
01
03
02
04
Մասնակցի'ր հարցազրույցին
Միացի'ր մեկնարկող խմբին
Տվյալները լրացնելուց հետո դու կստանաս նամակ էլ.հասցեիդ՝ հետագա փուլերի և դասընթացի մնացած մանրամասների վերաբերյալ
Քո էլ.հասցեին դու կստանաս քննական թեստ, որի նպատակը նախնական գիտելիքների իմացությունը հասկանալն է՝ տրամաբանական առաջադրանքների միջոցով
Լրացրու' թեստը
Թեստը բարեհաջող անցնելուց հետո անցկացվում է հարցազրույցի փուլ , որը կրում է ճանաչողական բնույթ և անցկացվում է դասընթացավարի ու համակարգողի հետ
Հարցազրույցի փուլը հաջողությամբ հաղթահարելու պարագայում կներգրավվես դասընթացի մոտակա մեկնարկող խմբում

ՈՎՔԵ՞Ր ԵՆ ԴԱՍԱԽՈՍԵԼՈՒ

Հրաչյա Ասատրյան
ML Scientist at Intelinair
Հայկ Ափրիկյան
ML Engineer at Magical Labs
Դավիթ Ղազարյան
Adjunct Lecturer at AUA
Վահան Հուրոյան
Machine Learning Researcher at YerevaNN
ՈՎՔԵ՞Ր ԵՆ ԴԱՍԱԽՈՍԵԼՈՒ
Հրաչյա Ասատրյան
ML Scientist at Intelinair
Հայկ Ափրիկյան
ML Engineer at Magical Labs
Դավիթ Ղազարյան
Adjunct Lecturer at AUA
Վահան Հուրոյան
Machine Learning Researcher at YerevaNN
Ի՞նչ կսովորես
● Introduction to Machine Learning
● k-Nearest Neighbors (kNN), Cross Validation
● Linear Regression
● Polynomial Regression, Bias-Variance tradeoff, Linear Regression (statistical perspective)
● Regularization (Lasso, Ridge, Elastic Net)
● Classification: Linear Models for classification, Fisher’s linear discriminant
● Logistic Regression
● Linear Discriminant Analysis (LDA) Quadratic Discriminant Analysis, Naive Bayes
● Support Vector Machines (SVM) hard margin, soft margin
● Decision Trees: Classification and Regression
● Ensemble Methods: Bagging
● Random Forest
● Boosting
● Gradient Boosting
● Unsupervised Learning, clustering, k-means clustering, measuring clustering quality
● Spectral clustering
● Gaussian Mixture Models,
● Density Based Clustering (DBSCAN)
● Kernel Density Estimation (KDE)

● Dimensionality Reduction: PCA, LDA
● Multi-Dimensional Scaling (MDS)
● t-SNE (t-distributed stochastic neighbor embedding)
● Non-negative matrix factorization (NMF)
● Dense Networks, Activation Functions
● Feedforward and Backpropagation
● Optimizers - SGD, Rmsprop, Adam etc.
● Regularization in NN
● Batch and Layer Normalization
● Tensorflow/Keras
● Convolutional Neural Networks
● Popular CNNs
● Image Classification with CNN
● Object Detection with CNN
● Recurrent Neural Networks - LSTM, GRU
● Generative Adversarial Networks
● Language Modeling
● Attention mechanism, Transformers
● Metrics of recommendation systems
● Collaborative Filtering
● Matrix Factorization
● Sequence-aware recommender systems
● Factorization Machines
Միացի՜ր մոտակա մեկնարկող խմբին
Սկսի'ր tech կարիերադ հիմա
Հաճախ տրվող հարցեր (FAQ)
Եթե ունես այլ հարցեր, սիրով կպատասխանենք քեզ ցանկացած հարթակում
Հաճախ տրվող հարցեր (FAQ)
Եթե ունես այլ հարցեր, սիրով կպատասխանենք քեզ ցանկացած հարթակում
կապվի'ր մեզ հետ
քեզ հարմար հարթակով

© 2015 – 2025 Armenian Code Academy
Բոլոր իրավունքները պաշտպանված են