В этом обзоре разберём ТОП онлайн-курсов машинного обучения. На курсах по Machine Learning научат начинающих специалистов с нуля профессии «Программист машинного обучения» – включая трудоустройство, обучат работать с данными и алгоритмами, использовать методы искусственного интеллекта для решения задач, работать с компьютерным зрением, научат основам и продвинутому ML. Курсы по машинному обучению в Москве, СПб, РФ и СНГ проходят дистанционно.
- ★ 4,6 из 5 рейтинг курса на основе 14 267 оценок
- Курс-профессия из 3 уровней
- Трудоустройство через 9 месяцев
- Авторы курса дата-сайентисты из Сбера, Wrike, VISA
- Обновили курс в 2022 году.
Специалист по Machine Learning, или ML-инженер анализирует большие объёмы информации, создаёт модели для прогнозирования в бизнесе, медицине, промышленности.
Задача ML-инженера — обучать нейросети, проектировать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения.
Кому подойдёт этот курс:
- Новичкам
С нуля освоите Python и SQL, научитесь собирать и анализировать данные. Получите необходимый минимум знаний по математике, теории вероятности и статистике. Решите задачи на основе реальных кейсов. - Программистам
Подтянете математику, статистику, аналитическое и алгоритмическое мышление, научитесь выявлять потребности бизнеса. Получите опыт работы с моделями машинного обучения и будете решать задачи с данными с помощью Python. Пройдёте процесс от сбора данных до деплоя модели. - Начинающим аналитикам
Научитесь выдвигать гипотезы и делать выводы на основе данных. Сможете писать эффективный код на Python, превращать сырые данные в полезную информацию, понимать математику и основы статистики, обучать машины и прогнозировать результаты. Отшлифуете знания, увеличите скорость работы и добьётесь повышения.
Чему вы научитесь?
- Строить модели машинного обучения
Начнёте с простых моделей, которые требуют минимальных знаний программирования. Разберётесь в алгоритмах и научитесь решать задачи регрессии, классификации и кластеризации. - Обучать нейронные сети
Узнаете, как устроены архитектуры нейросетей для задач компьютерного зрения и NLP. Сможете использовать и дообучать готовые сетки для своих задач и тренировать собственные. - Использовать ML-алгоритмы
Освойте линейные и древесные алгоритмы и бустинги. Научитесь прогнозировать временные ряды и создавать рекомендательные системы. Сможете обучать модели на больших данных с помощью Spark. - Работать с инструментами анализа данных
Узнаете, как проводить разведочный анализ данных, и освоите Excel для аналитики. Научитесь визуализировать данные в Power BI и программировать на Python и SQL. - Извлекать данные из различных источников
Поймёте, как читать файлы различных форматов при помощи Python и библиотеки Pandas. Научитесь писать запросы к API, получать, очищать и сохранять данные в разных форматах. - Настраивать инфраструктуру
Научитесь читать и понимать архитектуры ML-решений. Познакомитесь с пайплайнами работы модели: от сборки данных до мониторинга результатов. Сможете собирать модели в виде API.
Содержание курсов:
- Первый уровень: базовая подготовка
Среднее время прохождения — 5 месяцев.
- Введение в Data Science
- Продвинутый уровень: погружение в Machine Learning и трудоустройство
Среднее время прохождения — 4 месяца.
- Machine Learning. Junior
- Трудоустройство с помощью Центра карьеры
- Экспертный уровень. Выбор специализации
Среднее время прохождения — 3 месяца.
- Machine Learning. Advanced
- Deep Learning
- Специализация Natural Language Processing
- Специализация 2. Computer Vision
- Дополнительные курсы
- Основы математики для Data Science
- Основы статистики и теории вероятностей
- Основы статистики и теории вероятностей Advanced
- Карьера разработчика: трудоустройство и развитие
- Система контроля версий Git
- Английский для IT-специалистов.
Курс для тех, кто хочет получить прикладной опыт создания работающих нейронных сетей.
Закладываем фундамент для развития на уровне middle.
Формат обучения:
Онлайн и очные занятия в Москве
Уровень:
Продвинутый
Документ:
Диплом о профессиональной переподготовке
Чему научитесь на курсе
- Формулировать задачу для data science проекта
- Выдвигать идеи и гипотезы и составлять план решения задачи
- Подбирать алгоритмы и метрики под задачу для разных моделей
- На примерах изучите основные алгоритмы и узнаете, в каких случаях их использовать
- Строить модели машинного обучения с помощью библиотеки Sklearn
- Рассмотрите примеры кода обучения, научитесь применять знания на практике
- Оценивать качество моделей машинного обучения
- Ознакомитесь с подходами предотвращения переобучения, изучите методы оценки
- Интерпретировать результаты и составлять отчёт об исследовании
- Научитесь сравнивать алгоритмы на готовых датасетах, определять методы улучшения качества
Программа курса:
- Построение модели
Узнаете, что такое библиотека Sklearn и как ею пользоваться. Изучите алгоритмы кластеризации и сможете строить ансамбли моделей. Научитесь оценивать модели и работать с переобучением. Узнаете, как использовать в работе GridSearch и RandomizedSearch, Model Specific CV, Out of Bag approach.
40 часов теории
10 часов практики
- Библиотека Sklearn
- Алгоритмы классификации: линейные методы, логистическая регрессия и SVM
- Алгоритмы классификации: деревья решений
- Алгоритмы регрессии: линейная и полиноминальная
- Алгоритмы кластеризации
- Ансамблирование
- Оценка точности модели, переобучение, регуляризация
- Улучшение качества модели
- Организация проекта, составление отчётов по исследованиям
- Лабораторная работа
- Сдача промежуточного проекта
- Работа с заказчиком
- Рекомендательные системы
В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
12 часов теории
8 часов практики
- Введение и классификация рекомендательных систем
- Content-based рекомендации
- Collaborative Filtering
- Неперсонализированные рекомендательные системы
- Гибридные алгоритмы
Гарантия возврата денег
У вас есть три занятия, чтобы попробовать. Если передумаете учиться, скажите — и мы вернём вам всю сумму.
Для кого этот курс
- Разработчиков
Курс даёт хорошую базу для перехода в новую область программирования. У вас появятся другие интересные задачи и возможность роста доходов
- Аналитиков
Вы получите знания ведущих экспертов отрасли, в короткие сроки углубитесь в специализацию и выйдете на следующий уровень в профессии
- Математиков
Найдёте применение знаниям в математике и сможете перейти в новую сферу
Как проходит обучение
- Занятия онлайн или в Кампусе
Каждый из модулей программы можно пройти онлайн или присоединиться к очной группе в московском Кампусе Нетологии на Бауманской
- Практика
Занятия включает в себя практические, индивидуальные и командные задания. Также есть возможность оттачивать навыки на лабораторных занятиях и хакатоне
- Общение с экспертами
Эксперты курса, преподаватели и менторы всегда открыты для дополнительных вопросов: как в процессе обучения, так и после окончания программы
- Карьерное консультирование
Центр развития карьеры поможет с составлением резюме, подготовит к собеседованию, предложит вакансии и будет сопровождать на всех этапах поиска работы
Чтобы пройти курс, нужно уверенно владеть языком программирования Python и дружить с математикой
Подтянуть Python и вспомнить математику можно на наших курсах
Что даст вам курс:
Специалист machine learning
Достигнутые результаты
- Построена полносвязная нейросеть
- Создан чат-бот для поиска авиабилетов
- Построен классификатор изображений
- Созданы рекомендательные системы для музыкального и киносайта
- Создан готовый к внедрению ML-проект
Ключевые навыки
- Сбор и подготовка данных для анализа
- Создание нейросетей
- Генерация текстов и изображений
- Создание рекомендательных систем
- Выбор и реализация алгоритма под задачу
- Выбор и создание фич для модели
- Освоенные инструменты
- Scikit-learn
Пройдите обучение по Data Science с нуля и получите востребованную профессию.
За два года спрос на Data Scientist-ов вырос в два раза, по данным HeadHunter. Применяя методы машинного обучения, они строят прогнозы и повышают эффективность бизнес-процессов в любой отрасли. Мы поможем стать таким специалистом с нуля и найдем вам работу.
После учебы вы сможете работать по специальностям:
- Data Scientist
- Data Analyst
- Machine Learning Engineer
- Computer Vision-специалист
- NLP-специалист
Зарабатывайте в любых условиях:
- Получайте заказы на фрилансе или удаленке
- Стройте карьеру в компании или стартапе
- Развивайте свой бизнес
Гарантия трудоустройства закреплена в договоре. Если после успешного обучения, вы не найдёте работу, мы вернём вам деньги.
Почему нас выбирают:
- Живое общение
В курсе 70% вебинаров с преподавателями: вы сможете задать вопросы по теме и быстро получить обратную связь.
- Актуальная программа
Каждый месяц мы обновляем материал, чтобы вы получали актуальные знания.
- Постоянная практика
Вы сможете тренироваться на наших учебных стендах — специальной инфраструктуре, и добавите 14 кейсов в портфолио
- Методические материалы
После каждого занятия вы получите методички в формате Jupiter Notebook — это мощный инструмент для интерактивных вычислений.
У курса два формата обучения:
- живые вебинары;
- видеоколлекции в записи.
Везде предусмотрены домашние задания и их проверка преподавателем.
Программа обучения:
Наша программа одна из самых объёмных и содержательных. В то же время её легко понять, потому что знания даются постепенно: от базы к продвинутым инструментам.
- 380 часов обучающего контента и практики
- 14 проектов в портфолио
- 2 вебинара в неделю
I год
I четверть:
Программирование.
Научитесь работать в Linux и создавать сервера в облачных сервисах AWS, проводить поиск информации и основные операции с файлами, выполнять мониторинг работы сервера. Научитесь использовать язык запросов SQL, создавать и оптимизировать сложные запросы. Освоите библиотеки языка Python, предназначенные для Data Science: Numpy, Pandas, Matplotlib, SciKit-Learn.
Курсы:
- Встреча декана со студентами.
- Основы языка Python
- Знакомство с Python
- Встроенные типы и операции с ними
- Функции
- Полезные инструменты
- Работа с файлами
- Объектно-ориентированное программирование
- ООП. Продвинутый уровень
- ООП. Полезные дополнения
4 недели— 8 уроков
- Рабочая станция
- Введение. Установка ОС
- Настройка и знакомство с интерфейсом командной строки
- Пользователи. Управление Пользователями и группами
- Загрузка ОС и процессы
- Устройство файловой системы Linux. Понятие Файла и каталога
- Введение в скрипты bash. Планировщики задач crontab и at
- Управление пакетами и репозиториями. Основы сетевой безопасности
- Введение в docker
4 недели — 8 видеоуроков
- Основы реляционных баз данных и MySQL
- Вебинар. Установка окружения. DDL — команды
- Видеоурок. Управление БД. Язык запросов SQL
- Вебинар. Введение в проектирование БД
- Вебинар. CRUD-операции
- Видеоурок. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
- Вебинар. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
- Видеоурок. Сложные запросы
- Вебинар. Сложные запросы
- Видеоурок. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
- Вебинар. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
- Видеоурок. Оптимизация запросов. NoSQL
- Вебинар. Оптимизация запросов
6 недель — 12 уроков
- Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn
- Введение в курс
- Вычисления с помощью Numpy. Работа с данными в Pandas
- Визуализация данных в Matplotlib
- Обучение с учителем в Scikit-learn
- Обучение без учителя в Scikit-learn.
- Обучение без учителя в Scikit-learn и введение в итоговый проект
- Консультация по итоговому проекту
5 недель — 10 уроков
Проекты: Предсказание цен на недвижимость
II четверть:
Сбор данных и статистическое исследование.
Познакомитесь с теорией вероятностей и математической статистикой. Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа. Научитесь работать с RESTful/SOAP-сервисами, форматами XML и JSON в Python, а также познакомитесь с особенностями открытых данных (OpenData).
Курсы:
- Библиотеки Python для Data Science: продолжение;
- Методы сбора и обработки данных из сети Интернет;
- Введение в математический анализ;
- Теория вероятностей и математической статистике;
Проект
- Сбор информации по заданным критериям;
- Разведочный анализ данных (EDA) на основе полученной информации;
III четверть:
Математика для Data Scientist.
Рассмотрите математические аспекты алгоритмов, применяемых в Data Science: линейная и логистическая регрессия, градиентный спуск, метод ближайших соседей, кластеризация, деревья решений, случайный лес, градиентный бустинг. Поймете, как устроены алгоритмы на уровне математики.
Курсы:
- Линейная алгебра
- Алгоритмы анализа данных
Проект:
- Построение модели кредитного скоринга для банка
IV четверть:
Машинное обучение.
Освоите Python: от основ программирования до автоматизации, сбора, обработки, анализа и визуализации данных.
Курсы:
- Машинное обучение в бизнесе
- Рекомендательные системы
- Видеокурс от Мегафон + курсовой проект
Проект:
- Рекомендательная система для интернет-магазина;
- Прогнозирование оттока абонентов;
- Алгоритм для определения вероятности подключения услуги.
II год
V четверть:
Нейронные сети.
Научитесь решать задачи Machne Learning с данными из соцсетей, геоданными, применением графов, а также познакомитесь с нейронными сетями. На практике познакомитесь с фреймворками для разработки нейронных сетей: Tensorflow, Keras, PyTorch.
Курсы:
- Введение в нейронные сети
- Фреймворк PyTorch для разработки искусственных нейронных сетей.
Проект:
Распознавание и классификация изображений.
VI четверть:
Задачи искусственного интеллекта.
Изучите продвинутые архитектуры сверточных нейронных сетей, обработку естественного языка и компьютерное зрение.
Курсы:
- Введение в обработку естественного языка
- Глубокое обучение в компьютерном зрении
Проект:
Определение эмоциональной окраски текста и классификация текстов
Приложение, которое анализирует объекты на камере
Чат-бот на основе искусственного интеллекта, который может общаться на любые темы.
II четверть:
Специализация.
Изучите фреймворк PyTorch и углубитесь в работу с компьютерным зрением и обработкой естественного языка.
Курсы:
- Введение в компьютерное зрение от Nvidia
- Фреймворк PyTorch для разработки искусственных нейронных сетей
- Введение в обработку естественного языка
Проект:
Приложение, которое анализирует объекты на камере
Чат-бот на основе искусственного интеллекта, который может общаться на любые темы.
Курсы вне четверти:
Предметы с индивидуальным выбором даты старта.
Вы можете формировать часть расписания самостоятельно и регулировать интенсивность обучения.
- Подготовка к поиску работы
- История развития искусственного интеллекта
- Алгоритмы и структуры данных на Python
- Введение в высшую математику
- Спортивный анализ данных. Платформа Kaggle
- Язык R для анализа данных
- Визуализация данных в Tableau
- Сверточные нейронные сети в компьютерном зрении
Проекты:
- Соревнование на площадке Kaggle
Вы получите диплом о профессиональной переподготовке.
По итогам курса вы:
- Изучите основные алгоритмы машинного обучения
- Выполните 500+ упражнений на закрепление материала
- Поучаствуете в хакатонах на Kaggle
Длительность: 12 недель
Формат: онлайн
Оценка курса: 4.6
Курс подойдет вам, если вы:
- Новичок
Вы начинающий Data Scientist, уверенно владеете Python, разбираетесь в математике и статистике. Вы сможете систематизировать и углубить полученные самостоятельно или на бесплатных курсах знания, пообщаться с профессионалами, применить модели Machine Learning на практике.
- Программист
Вы программируете на Python и столкнулись с задачами машинного обучения в работе. На курсе вы освоите основные алгоритмы машинного обучения, обучите рекомендательную систему и на финальном хакатоне примените все полученные навыки Machine Learning на практике.
- Аналитик
Вы аналитик со знанием Python, оперируете большим объемом данных и хотите погрузиться в Machine Learning. На курсе вы узнаете, какие задачи решает машинное обучение, примените
основные методы предобработки данных, научитесь валидировать данные и оценивать качество алгоритмов.
Из чего состоит курс:
Курс включает в себя 10 модулей, более 500 упражнений на закрепление материала, обучение 10 алгоритмов машинного обучения, 2 хакатона на kaggle, чат с сообществом и поддержку менторов.
- Отработка навыков
Каждая тема разбирается в видео, скринкастах и конспектах и закрепляется десятками упражнений (тесты, дебаггинг кода, проверка кода студента).
- Обучение моделей
На курсе по каждой теме вы работаете с моделью ML — файнтьюните, создаёте с нуля, оптимизируете, пробуете разные методы.
- Сообщество и ментор
На курсе вы не останетесь один на один с затруднениями — вам помогут не только ваши одногруппники, но и ментор курса.
Специализация Data Science состоит из курсов:
- Курс «Python для анализа данных»
- Курс по математике для Data Science
- Курс по Machine Learning
- Курс по нейронным сетям и deep learning
- Курс по Data Engineer
- Data-driven management
- Python
- Math&Stat
- Machine Learning
- Deep Learning
- Data Engineering
- Менеджмент
Программа курса «Машинное обучение»:
- Введение в машинное обучение
— Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
— Решаем 50+ задач на закрепление темы.
- Методы предобработки данных
— Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
— Решаем 60+ задач на закрепление темы.
- Регрессия
— Изучаем типы данных, учимся очищать и обогащать данные, осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию.
— Обучаем модели регрессии
— Решаем 40+ задач на закрепление
— Решаем 60+ задач на закрепление темы.
- Кластеризация
— Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
— Решаем 50+ задач на закрепление темы.
- 5Tree-based алгоритмы: введение в деревья
— Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
— Решаем 40+ задач на закрепление темы.
- 6Tree-based алгоритмы: ансамбли
— Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
— Решаем 40+ задач на закрепление темы
— Участвуем в соревновании на kaggle по обучению tree-based модели.
- Оценка качества алгоритмов
— Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
— Оцениваем качество нескольких моделей ML
— Решаем 40+ задач на закрепление темы.
- Временные ряды в машинном обучении
— Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
— Решаем 50+ задач на закрепление темы.
- Рекомендательные системы
— Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
— Решаем 50+ задач на закрепление темы.
- Финальный хакатон
— Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle.
На курсе обучение не заканчивается.
- Развитие карьеры и бизнеса: 10 Jupyter ноутбуков, много готового кода для работы.
Помощь с трудоустройством и стажировкой.
- Сообщество: Тусовка специалистов и полезные знакомства.
- Сертификат школы SkillFactory: Сертификат о прохождении курса. При необходимости на английском языке.
Продвинутые приемы и кейсы для практикующих Data Scientist-ов, желающих повысить свой профессиональный уровень до Middle/Senior.
Длительность обучения: 5 месяцев, 4 часа в неделю.
Формат: online
Что даст вам этот курс?
- Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами.
- Вы расширите свой набор доступных для работы инструментов. При этом даже для таких тем, как Байесовские методы и обучение с подкреплением, которые обычно преподаются исключительно в виде теории, мы подобрали реальные рабочие кейсы из наших практик.
- Отдельный модуль посвящен работе в production: настройке окружения, оптимизации кода, построению end-to-end пайплайнов и внедрению решений.
- Карта курсов направления Data Science в OTUS
- Особенный подход к практическим занятиям
Почти каждый такой вебинар проходит в формате Live coding, где преподаватель начинает с «чистого листа» — пустого Jupyter ноутбука, имея на руках лишь задачу и набор данных. Мы программируем, ошибаемся, обсуждаем, исправляем ошибки и получаем решение с нуля, чтобы вы видели реальный процесс работы с данными, а не стерильные готовые ноутбуки.
- Разносторонние проектные задания
В течение курса вы выполните несколько практических заданий для закрепления навыков по пройденным темам. Каждое такое задание представляет собой практический проект по анализу данных, который решает конкретную прикладную задачу машинного обучения.
Для кого этот курс?
Для аналитиков, программистов и дата сайентистов, практикующих машинное обучение. Курс поможет расширить свои возможности и продвинуться дальше по карьерному пути.
После прохождения курса вы сможете:
- Настраивать окружение и писать production код, готовый к внедрению
- Работать с AutoML подходами и понимать ограничения в их применении
- Понимать и уметь применять Байесовские методы и обучение с подкреплением для соответствующих задач
- Решать нестандартные проблемы, возникающие в рекомендательных системах, временных рядах и графах
Необходимые знания:
- Python на уровне «писал свои небольшие проекты»
- Знакомство с экосистемой для машинного обучения (pandas, numpy, sklearn)
- Знание и понимание базовых принципов и алгоритмов машинного обучения
- Знания математического анализа (вычисление производных сложных функций)
- Знания линейной алгебры (матричные операции и собственные вектора)
- Знания теории вероятностей и мат. статистики (понимание дисперсии, мат. ожидания, законы распределений).
Программа обучения:
В процессе обучения вы получите комплексные знания и навыки.
Модуль 1. Advanced Machine Learning. AutoML
Тема 1. Production Code проекта на примере задачи классификации/регрессии, Virtual environments, dependency management, pypi/gemfury
Тема 2. Практическое занятие — Оптимизация кода, parallelization, multiprocessing, ускорение pandas, Modin для Pandas
Тема 3. Advanced Data Preprocessing. Categorical Encodings
Тема 4. Featuretools — а вы что, за меня и признаки придумывать будете?
Тема 5. H2O и TPOT — а вы что, за меня и модели строить будете?
Модуль 2. Production
Тема 6. Практическое занятие — Построение end-to-end пайплайнов и сериализация моделей
Тема 7. REST-архитектура: Flask API
Тема 8. Docker: Структура, применение, деплой
Тема 9. Kubernetes, контейнерная оркестрация
Тема 10. Практическое занятие по работе в проде: деплой докера в AWS
Модуль 3. Временные ряды
Тема 11. Извлечение признаков. Fourier и Wavelet transformation, Automatic Feature generation — tsfresh
Тема 12. Unsupervised подходы: Кластеризация временных рядов
Тема 13. Unsupervised подходы: Сегментация временных рядов
Модуль 4. Рекомендательные системы. Задача ранжирования
Тема 14. Рекомендательные системы 1. Explicit feedback
Тема 15. Рекомендательные системы 2. Implicit feedback
Тема 16. Задача ранжирования — Learning to rank
Тема 17. Практическое занятие по рекомендательным системам. Surpsise!
Тема 18. Q&A
Модуль 5. Графы
Тема 19. Введение в графы: основные понятия. NetworkX, Stellar
Тема 20. Анализ графов и интерпретация. Community Detection
Тема 21. Link Prediction и Node Classification
Тема 22. Практическое занятие: Хейтеры в Twitter
Модуль 6. Bayesian Learning, PyMC
Тема 23. Введение в вероятностное моделирование, апостериорные оценки, сэмплирование
Тема 24. Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
Тема 25. Байесовское АB тестирование
Тема 26. Generalized linear model (GLM) — байесовские регрессии, вывод апостериорных оценок коэффициентов
Тема 27. Практическое занятие по GLM
Тема 28. Байесовская логит-регрессия
Тема 29. Практическое занятие по логит-регрессии
Модуль 7. Reinforcement Learning
Тема 30. Введение в обучение с подкреплением
Тема 31. Multi-armed bandits для оптимизации AB тестирования, от теории — сразу в бой
Тема 32. Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация
Тема 33. Markov Decision Process, Value function, Bellman equation
Тема 34. Value iteration, Policy iteration
Тема 35. Практическое занятие: медицинский кейс Markov Chain Monte Carlo
Тема 36. Temporal Difference (TD) и Q-learning
Тема 37. SARSA и Практическое занятие: финансовый кейс TD и Q-learning
Тема 38. Q&A
Модуль 8. Проектная работа
Тема 39. Консультация по проекту, выбор темы
Тема 40. Бонус: Поиск Data Science работы
Тема 41. Защита проектных работ
Выпускной проект:
Мы стремимся, чтобы студенты самостоятельно выбирали темы для выпускных проектов, а не работали по шаблонным заготовкам. В результате все работы получаются уникальными исследовательскими проектами по машинному обучению, о которых с большим интересом можно рассказывать во время собеседований или даже публиковать статьи.
Примеры проектов, которые студенты делали на курсе Machine Learning. Professional :
— Как сделать тематическое моделирование форума быстро или что беспокоит людей с целиакией
— Анализируем шедевры живописи с помощью классического ML
Процесс обучения:
Образовательный процесс происходит ONLINE в формате вебинаров (язык преподавания — русский). В рамках курса слушателям предлагаются к выполнению домашние задания, которые позволяют применить на практике знания, полученные на занятиях. По каждому домашнему заданию преподаватель дает развернутый фидбек. В течение всего учебного процесса преподаватель находится в едином коммуникационном пространстве с группой, т. е. при обучении слушатель может задавать преподавателю уточняющие вопросы по учебным материалам.
Машинное обучение — один из самых востребованных разделов компьютерных наук. Именно с помощью машинного обучения сейчас удаётся строить рекомендательные системы для видео, прогнозировать спрос на тысячи товаров и автоматически обрабатывать огромные потоки писем в службе поддержки.
Мы ожидаем, что слушатели владеют языком Python, который является де-факто стандартным инструментом для анализа данных: знают про условные операторы, циклы, функции, разбираются в числовых и строковых типах данных, умеют работать со списками и словарями, знают встроенные функции языка. Также знакомы с высшей математикой:
математический анализ (дифференцирование функций одной и многих переменных, интегрирование, разложение в ряд Тейлора, исследование функции на экстремумы); линейная алгебра (умение работать с матрицами — умножать, складывать, решать матричные уравнения, матричные инварианты: определитель, собственные числа и собственные значения, матричные разложения (SVD); теория вероятностей и математическая статистика (основные распределения и их свойства (нормальное, равномерное, экспоненциальное, биномиальное), математическое ожидание и дисперсия, центральная предельная теорема и закон больших чисел).
Чему научитесь:
- Узнаете, как работают классические алгоритмы машинного обучения
- Изучите основные виды моделей
- Научитесь обрабатывать данные и проводить их первичный анализ
Программа:
Что узнаете за 16 недель обучения
Занятия проходят раз в неделю. Каждое занятие состоит из теоретической и практической части. На теоретической части преподаватель объясняет, как работают методы машинного обучения, какие математика и алгоритмы за ними стоят. На практической части слушатели работают с данными и решают реальные задачи с помощью Python и его библиотек. После каждого пройденного раздела выдаётся домашнее задание, которое поможет закрепить полученные навыки.
- Введение в машинное обучение
Основные типы задач, процесс обучения и валидации модели. Градиентные методы обучения
- Линейные методы машинного обучения
Линейная регрессия. Линейная классификация и метрики качества классификации. Логистическая регрессия
- Продвинутые методы машинного обучения
Работа с категориальными признаками и текстами. Решающие деревья и другие нелинейные алгоритмы. Бэггинг и случайные леса. Градиентный бустинг. Градиентный бустинг: имплементации
- Работа с признаками и другие задачи машинного обучения
Отбор признаков и понижение размерности. Кластеризация и визуализация. Статистика в машинном обучении. Соревнования в машинном обучении
Документ при успешном завершении обучения.
Кому подойдет этот курс:
- Разработчикам
Вы программируете, но хотите расширить профессиональные возможности и получить практические навыки в машинном обучении? Вы научитесь строить модели машинного обучения и нейронные сети, правильно использовать инструменты для работы с большими данными.
- Аналитикам
Хотите освоить машинное обучение, чтобы решать более сложные и интересные аналитические задачи?
Вы научитесь строить модели машинного обучения и использовать инструменты работы с большими данными для решения ваших задач.
Что входит в программу:
- 8 занятий
Погружение в машинное обучение: 32 часа лекций и семинаров, 48 часов на самостоятельную работу. - 7 домашних заданий
На каждом занятии вы будете решать квизы, а каждую неделю вас ждут домашние задания для отработки новых знаний на практике. - Финальный проект
Вы самостоятельно реализуете проект и получите обратную связь от наставников. Финальное испытание – защита проекта.
Чему вы научитесь:
Часть 1. Классическое машинное обучение
Вы научитесь строить модели машинного обучения, решать задачи регрессии и классификации, создавать ансамбли решающих деревьев, а аббревиатуры RF, GBDT, XGBoost и LightGBM станут родными и понятными.
Введение в машинное обучение и библиотеки ML для Python
Уже на первом занятии вы научитесь:
- Совершать базовые операции с данными в numpy,
- Cтроить графики функций с matplotlib,
- Оптимизировать функции с scipy,
- Визуализировать данные с seaborn.
А еще вы построите свою первую модель с помощью sklearn!
Линейные модели, регуляризация, SVM, метрики качества
Простым и понятным языком расскажем про:
- Применение алгоритмов Scikit-learn к синтетическому набору данных и к данным соревнования Kaggle Inclass (классификация, регрессия),
- Логистическую регрессию и обучение моделей с помощью SGD,
- Метод опорных векторов (Support Vector Machine) и ядра,
- Настройку параметров и кросс-валидацию,
- Предобработку данных (строки, пропуски, категориальные признаки).
Деревья
На занятии вы научитесь:
- Обучать деревья на наборах данных (MNIST, UCI, кредитный скоринг),
- Визуализировать деревья,
- Работать с признаками и пропущенными значениями в деревьях,
- Оценивать время работы и «стричь» деревья (прунинг).
Ансамбли решающих деревьев
По итогам этого занятия вы освоите:
- Общие методы построения композиций: усреднение, бустинг, блендинг, стекинг,
- Бустинг и GBM,
- Выбор параметров в ансамблях решающих деревьев, сравним Random Forest и GBDT с демонстрацией,
- Связь между ответами моделей и качеством модели в бэггинге,
- Bias-variance trade-off на примере бэггинга и бустинга. Обсудим преимущества и недостатки RF и GBDT, разберем XGBoost и LightGBM
Часть 2. Нейронные сети и Deep learning
Вы познакомитесь с нейронными сетям (Deep learning) и Unsupervised learning, а также поработаете с большими данными. На протяжении этой части курса вы будете работать над итоговым проектом при поддержке наставников. Вы сможете реализовать собственный проект или проект, который предложат кураторы курса.
Нейронные сети и введение в глубокое обучение (Deep learning)
Продолжаем погружаться в машинное обучение и знакомимся с нейронными сетями и Deep learning:
- Нейронные сети и сверточные нейронные сети, общие веса, локальность иерархичность,
- Слои в сверточных сетях, функции потерь для классификации, регуляризация нейросетей,
- Эффективные методы вычисления градиентов, проверка реализации разностным дифференцированием.
Deep Learning: CNN, RNN, Attention
На этом занятии разберем:
- Рекуррентные нейронные сети в задаче анализа сигналов и естественного языка,
- Генеративные модели на основе RNN,
- Механизм внимания (Attention mechanism) в задаче машинного перевода и других задачах,
- Сверточные нейронные сети в задачах обработки текста, сравнение с рекуррентными нейронными сетями,
- DNN на практике: инициализация, предобработка данных, модельный зоопарк, дообучение, вычисления на видеокартах, визуализация.
Обучение без учителя (Unsupervised learning)
Самое время для Unsupervised learning:
- Разберемся с определением координат дома и работы по GPS-треку (определение регулярных координат с помощью DBSCAN).
- Освоим метод главных компонент на практике,
- Научимся применять PCA и tSNE для визуализации данных, сжатия данных и предобработки датасета.
Погружение в большие данные (Big Data)
Изучите основы работы с большими данными: Hadoop, HDFS, MapReduce, Spark и многое другое!
Защита проекта
Финальное испытание – защита проекта, над которым вы работали на протяжении второй части курса.
Курс посвящён основам анализа данных и машинного обучения. По результатам слушатели освоят способы предобработки и визуализации данных, изучат основные методы машинного обучения (линейные, метрические, решающие деревья и их композиции), научатся оценивать качество моделей. Курс пригодится всем, кто хочет «с нуля» погрузиться в область машинного обучения, получить первые практические навыки и начать применять их для решения собственных задач по извлечению пользы из данных.
Формат
Курс состоит из 11 недель, каждая включает в себя несколько коротких видеолекций (суммарная продолжительность — от 60 до 90 минут), тест на знание теоретического материала (5-15 вопросов), а также тест, включающий в себя выполнение задания по программированию. На некоторых неделях задание по программированию заменено заданием на взаимное оценивание. В конце курса предусмотрен итоговый экзамен, состоящий из тестов.
Информационные ресурсы
Python, библиотеки numpy, pandas, matplotlib, seaborn, scikit-learn
Требования
Освоение школьного курса математики, навыки программирования на Python
Программа курса
- Основные понятия и задачи в машинном обучении
- Метод k ближайших соседей
- Линейная регрессия
- Градиентный спуск
- Линейная классификация
- Логистическая регрессия и метод опорных векторов
- Решающие деревья
- Бэггинг и случайный лес
- Градиентный бустинг
- Обучение без учителя
- Рекомендательные системы
Программа подходит людям, незнакомым с анализом данных. Серия курсов постепенно, от простого к сложному, погружает в предмет. В первом курсе рассказывается о математическом аппарате и основах программирования на Python.
Вам будет намного легче учиться, если вы уже знакомы с математической статистикой (программа алгебры старших классов — теория вероятности, линейные уравнения), а также с синтаксисом языка Python.
ПРОГРАММА ОБУЧЕНИЯ:
5 КУРСОВ + ДИПЛОМНЫЙ ПРОЕКТ
среднее время прохождения программы 6-9 месяцев
3-6 часов в неделю, дистанционное участие
1 КУРС «МАТЕМАТИКА И PYTHON ДЛЯ АНАЛИЗА ДАННЫХ»
- НЕДЕЛЯ 1
Введение.
- НЕДЕЛЯ 2
Библиотека Python и линейная алгебра.
- НЕДЕЛЯ 3
Оптимизация и матричные разложения.
- НЕДЕЛЯ 4
Случайность
Анализ данных и машинное обучение опираются на результаты из математического анализа, линейной алгебры и теории вероятностей. Без фундаментальных знаний по этим наукам невозможно понять методы анализа данных.
Первый курс сформирует этот фундамент. Мы без сложных формул и доказательств раскроем смысл математических понятий и объектов.
2 КУРС «ОБУЧЕНИЕ НА РАЗМЕЧЕННЫХ ДАННЫХ»
- НЕДЕЛЯ 1
Машинное обучение и линейные модели.
- НЕДЕЛЯ 2
Линейные модели и оценка качества.
- НЕДЕЛЯ 3
Решающие деревья и композиции моделей.
- НЕДЕЛЯ 4
Нейронные сети и обзор методов.
Обучение на размеченных данных или обучение с учителем — это возможность предсказать величину для любого объекта, имея конечное число примеров. Например, уровень пробок на участке дороги, возраст пользователя по его действиям в интернете, цену на подержанную машину. На этом курсе вы научитесь формулировать и решать такие задачи.
3 КУРС «ПОИСК СТРУКТУРЫ В ДАННЫХ»
- НЕДЕЛЯ 1
Методы кластеризации.
- НЕДЕЛЯ 2
Понижение размерности и матричные разложения.
- НЕДЕЛЯ 3
Визуализация данных и поиск аномалий.
- НЕДЕЛЯ 4
Тематическое моделирование.
Из курса вы узнаете об алгоритмах кластеризации данных, с помощью которых можно искать группы схожих клиентов мобильного оператора. Вы научитесь строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные.
4 КУРС «ПОСТРОЕНИЕ ВЫВОДОВ ПО ДАННЫМ»
- НЕДЕЛЯ 1
Основы статистики и проверка гипотез.
- НЕДЕЛЯ 2
АБ-тесты: основы планирования, дизайн и интерпретация результатов.
- НЕДЕЛЯ 3
Анализ зависимостей.
- НЕДЕЛЯ 4
Скоринг, биоинформатика.
Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? Действительно ли новый баннер лучше старого? Чтобы ответить на такие вопросы, нужно собрать данные. 99% данных содержат «шум», поэтому выводы на их основе не верны, а только вероятны. На этом курсе вы научитесь строить корректные выводы, оценивать параметры, проверять гипотезы и устанавливать причинно-следственные связи.
5 КУРС «ПРИКЛАДНЫЕ ЗАДАЧИ АНАЛИЗА ДАННЫХ»
- НЕДЕЛЯ 1
Бизнес-задачи.
- НЕДЕЛЯ 2
Анализ медиа.
- НЕДЕЛЯ 3
Анализ текстов.
- НЕДЕЛЯ 4
Рекомендации и ранжирование.
В этом курсе мы разберем прикладные задачи из различных областей анализа данных: анализ текста и информационный поиск, коллаборативная фильтрация и рекомендательные системы, бизнес-аналитика, прогнозирование временных рядов.
Вы научитесь сводить задачу заказчика к формальной постановке задачи машинного обучения и поймёте, как проверять качество построенной модели на исторических данных и в онлайн-эксперименте. На каждой задаче мы изучим плюсы и минусы пройденных алгоритмов машинного обучения.
ФИНАЛЬНЫЙ КУРС
«АНАЛИЗ ДАННЫХ: ФИНАЛЬНЫЙ ПРОЕКТ»
Финальный проект даст вам возможность проверить свои силы и применить полученные в рамках специализации знания к задаче из реального мира. Вы самостоятельно сможете поработать над актуальным проектом в одной из областей: электронная коммерция, социальные медиа, информационный поиск и бизнес-аналитика.
Проекты:
- ИДЕНТИФИКАЦИЯ ИНТЕРНЕТ-ПОЛЬЗОВАТЕЛЕЙ
- ПРОГНОЗИРОВАНИЕ ОТТОКА КЛИЕНТОВ
- ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ НА КАРТЕ
- АНАЛИЗ ТОНАЛЬНОСТИ ОТЗЫВОВ
Во время обучения Вы узнаете:
Введение в машинное обучение
- Понятие «машинное обучение».
- Обоснованность использования.
- Подразделы машинного обучения.
- Обучение с учителем, обучение без учителя, обучение с подкреплением.
1,5 ак.ч.
Метод ближайших соседей (kNN)
- Описание метода kNN.
- Область решаемых задач.
- Метрики качества.
- Разбор кода с примером реализации алгоритма.
3,5 ак.ч.
Метрики и их практическое применение
- Что такое метрики.
- Метрики в задачах бинарной классификации.
- Разбор основных метрик качества для различных типов задач.
4,5 ак.ч.
Подготовка и нормализация данных
- Этапы подготовки данных.
- Понятие нормализация.
- Почему данные нужно нормализовывать.
- Уменьшение размерности – методы PCA, t-SNE.
- Разбор кода с примерами реализации метода главных компонент.
2,5 ак.ч.
Выбор атрибутов при решении задачи. Метод опорных векторов SVM
- Выбор атрибутов для анализа.
- Метод SVM, предсказание вероятности принадлежности классу.
- Суть алгоритма, линейно разделимые и неразделимые выборки.
- Плюсы и минусы алгоритма. Разбор кода с реализацией алгоритма SVM.
2,5 ак.ч.
Регрессия (прогнозирование конкретного значения)
- Задача регрессии.
- Линейная регрессия, логистическая регрессия.
- Регрессии: разбор кода с реализацией алгоритма.
4,5 ак.ч.
Decision trees, random forest
- Решающие деревья и случайный лес.
- Суть алгоритмов. Плюсы и минусы.
- Decision trees, random forest: разбор кода с реализацией алгоритма.
4,5 ак.ч.
Разбалансированные датасеты и методы их балансировки
- Понятие разбалансировки.
- Причины возникновения.
- Методы балансировки датасетов.
- Разбор кода – работа с разбалансированным датасетом.
1,5 ак.ч.
Bagging, boosting, stacking – алгоритмы повышения точности
- Цели и задачи повышения точности.
- Bagging, boosting, stacking.
- Разбор кода с реализацией алгоритмов.
3,5 ак.ч.
Кластеризация, метод k-mean. Полная и условная вероятность, теорема Байеса
- Понятие кластеризация.
- Алгоритм k-mean, c-mean.
- Полная и условная вероятность, теорема Байеса.
- Алгоритм k-mean, c-mean: разбор кода с алгоритмами кластеризации и байесовскими классификаторами.
4,5 ак.ч.
Рекомендательные системы. Персонализированные и неперсонализированные, проблема холодного старта
- Что такое рекомендательная система.
- Типы рекомендательных систем.
- Области применения.
- Понятие холодного старта.
- Рекомендательная система: разбор кода с рекомендательными системами.
5 ак.ч.
Внедрение моделей в production
- Сохранение моделей машинного обучения.
- Библиотека Flask для веб-приложений.
- Библиотека git для контроля версионности.
- Пошаговый алгоритм действий по выведению модели в Production.
- Учебный хостинг heroku.com.
5 ак.ч.
Построение модели и внедрение в Production
- Создание веб приложения – анализ сердечно-сосудистых заболеваний.
- Обучение модели и выведение в Production.
5 ак.ч.
48 ак.ч.
Кол-во часов: 18 часов
Кол-во занятий: 9 уроков
После окончания курса вы сможете:
- Проводить предобработку данных
- Взаимодействовать с алгоритмами
- Анализировать данные
- Работать с временными рядами
- Делать выборку
- Создавать рекомендательные системы
Программа курса по машинному обучению
Урок № 1 — Что такое машинное обучение?
- На первом уроке вы узнаете, какие задачи стоят перед специалистами по машинному обучению и какие инструменты они применяют в работе.
Урок № 2 — Предобработка
- На втором занятии вы познакомитесь с несколькими методами предобработки данных. Также мы выясним, каких типов данные можно встретить. Выясним, чем нам может помочь визуализация в предобработке. Познакомимся с feature engineering.
Урок № 3 — Что такое регрессия?
- Третью встречу мы посвятим изучению типов данных, попрактикуемся в их очищении и обогащении, поработаем над линейной и логической регрессией. Вы узнаете, что такое границы применимости и как можно научить модели регрессии.
Урок № 4 — Кластеризация
- Четвертая обучающая сессия будет посвящена кластеризации. Коснемся работы с текстами ML.
Урок № 5 — Деревья
- На пятом уроке вы узнаете, что такое tree-based алгоритмы. Подробно изучим свойства деревьев и научимся их применять для решения задач с регрессией.
Урок № 6 — Ансамбли
- Шестое занятие полностью посвящено ансамблям деревьев. Вы узнаете, что такое бустинг и создадите свою первую логистическую регрессию.
Урок № 7 — Оценка
- Седьмая встреча посвящена оценке качества алгоритмов. Вы узнаете, как правильно разбивать выборку и чем для нас будет полезен процесс визуализации обучения.
Урок № 8 — Временные ряды
- На восьмой обучающей сессии вы узнаете, как анализируются временные ряды в машинном обучении и познакомитесь с особенностями подбора параметров.
Урок № 9 — Работа над рекомендательными системами
- После девятого урока вы сможете построить рекомендательную систему.
По окончанию обучения вы получите сертификат, подтверждающий, что вы прослушали 9 уроков онлайн-курса по машинному обучению.
На этом курсе вы сможете освоить технологию машинного обучения и научиться применять ее для обработки информации. Вы познакомитесь с популярными алгоритмами машинного обучения и узнаете, где именно стоит их применять. Пройдя курс, вы сможете самостоятельно выбирать наиболее подходящий алгоритм, настраивать его, оценивать результаты и комбинировать с моделями.
Вы научитесь:
- применять на практике алгоритмы машинного обучения для решения аналитических задач
- выбирать оптимальный алгоритм для анализа
Специалисты, обладающие этими знаниями и навыками, в настоящее время крайне востребованы.
Программа курса
Модуль 1. Постановка задачи (6 ак. ч.)
- Принципы машинного обучения
- Алгоритмы машинного обучения
Модуль 2. Деревья решений (6 ак. ч.)
- Классическое дерево решений
- Комбинирование решающих деревьев
Модуль 3. Линейные модели (6 ак. ч.)
- Линейная регрессия
Модуль 4. Кластеризация (5 ак. ч.)
- Алгоритмы кластеризации
- Применение кластеризации
Модуль 5. Временные ряды (6 ак. ч.)
Модуль 6. Нейронные сети (6 ак. ч.)
Модуль 7. Анализ текста (5 ак. ч.)
Документы об окончании
В зависимости от программы обучения выдаются следующие документы:
- Сертификат международного образца
- Свидетельство
- Удостоверение.
Курс разработан при участии практикующих data scientist’ов и лидеров рынка онлайн-обучения по направлению Data Science.
- Прокачиваем с нуля до возможности принимать участие в соревнованиях по ML.
- 2-4 часа занятий в неделю достаточно для того, чтобы завершить курс за 6 месяцев.
- Создание собственной рекомендательной системы в конце курса.
В ходе курса ты научишься:
- Программировать на Python и пользоваться встроенными библиотеками для машинного обучения и анализа данных.
- Находить закономерности в данных и визуализировать результаты анализа.
- Самостоятельно строить алгоритмы машинного обучения для решения прикладных задач.
Программа курса:
- Вводное занятие
Ты узнаешь о роли машинного обучения в современном мире и чем будешь заниматься на курсе.
- Основы Python
Всё, что нужно знать для комфортного прохождения курса.
- Анализ данных
Изучаем основные библиотеки, необходимую математику и визуализацию данных.
- Машинное обучение
Разбираем базовые алгоритмы МО на практике
- Финальный проект
Академия искусственного интеллекта для школьников не является образовательной услугой, подлежащей лицензированию, и не предполагает выдачу сертификата государственного образца.
Вы научитесь создавать аналитические системы и использовать алгоритмы машинного обучения, освоите работу с нейросетями. Наполните портфолио и получите престижную профессию.
- Длительность 19 месяцев
- Помощь в трудоустройстве
- 7 курсов в одной программе
- Доступ к курсу навсегда
На рынке не хватает специалистов по Data Science
- 500 компаний,
включая Сбербанк, Яндекс и Тинькофф, ищут специалистов по Data Science
- 100 000 рублей
зарплата начинающего специалиста
Кому подойдёт этот курс
- Людям без подготовки в IT
Вы получите базовые навыки по программированию, аналитике, статистике и математике, которые откроют путь к карьере в Data Science и Machine Learning. Сможете использовать свои знания сразу на практике.
- Программистам
Вы прокачаете свои знания и навыки в программировании на Python и R. Подтянете математику и умение мыслить как аналитик, использовать алгоритмы машинного обучения для решения бизнес-задач — и усилите портфолио мощными проектами.
- Менеджерам и владельцам бизнеса
Научитесь использовать данные для построения прогнозов и оптимизации бизнес-процессов и переведёте компанию на новый уровень.
Чему вы научитесь
- Программировать на Python
Освоите самый популярный язык для работы с данными.
- Визуализировать данные
Сможете разрабатывать дашборды или интерактивную инфографику.
- Работать с библиотеками и базами данных
Научитесь работать с библиотеками Pandas, NumPy и Matpotlib и освоите базы данных PostgreSQL, SQLite3, MongoDB.
- Применять нейронные сети для решения реальных задач
Освоите фреймворки для обучения нейронных сетей Tensorflow и Keras. Узнаете, как устроены нейронные сети для задач компьютерного зрения и лингвистики.
- Строить модели машинного обучения
Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.
- Создавать рекомендательные системы
Построите рекомендательную систему и добавите её в своё портфолио.
Помогаем построить карьеру мечты
Вас ждёт индивидуальная карьерная консультация, помощь в оформлении резюме и портфолио. На основе ваших пожеланий подберём подходящие вакансии, подготовим к собеседованию и сделаем всё, чтобы вы получили оффер.
За 2021 год мы трудоустроили более 1000 студентов на работу по новой профессии
Программа
Вас ждут 7 курсов с разным уровнем сложности, знание которых можно приравнять к году работы.
- 82 тематических модуля
- 288 онлайн-уроков
- Python для Data Science
- Введение в Data Science
- Введение в Python
- Основы
- Операторы, выражения
- Условный оператор if, ветвления
- Условный оператор if: продолжение
- Цикл while
- For: циклы со счетчиком
- For: циклы со счетчиком, часть 2. Функция range
- Цикл for: работа со строками
- Вложенные циклы
- Числа с плавающей точкой (int/float)
- Функции
- float 2
- Установка и настройка IDE
- Базовые коллекции: Cписки
- Методы для работы со списками
- List comprehensions
- Базовые коллекции: Строки
- Базовые коллекции: словари и множества
- Базовые коллекции: Кортежи
- Функции — Рекурсия
- Работа с файлами
- Исключения: работа с ошибками
- Введение в ООП
- Основные принципы ООП
- Итераторы и генераторы
- Аналитика. Начальный уровень
- Библиотека NumPy: методы анализа массивов
- Библиотека NumPy: способы преобразования массивов
- Библиотека pandas: индексация и выбор данных
- Библиотека pandas: применение функций, группировка, сортировка
- Основы визуализации данных с помощью Matplotlib
- Продвинутая визуализация с Matplotlib
- Визуализация с Seaborn
- Мастер-класс: разведочный анализ (EDA)
- Курсовая работа. Подготовка аналитического отчёта на основе имеющихся данных в качестве помощи продюсерам образовательных программ эффективно выстраивать стратегию по обновлению и улучшению курсов
- Чтение и запись данных: CSV, XLSX
- Основы SQL
- Чтение и запись данных: JSON, MongoDB
- Работа со строками
- Курсовая работа. Часть 1. Подготовка аналитического отчёта для HR-отдела. На основе аналитики необходимо составить рекомендации для отдела кадров по стратегии набора персонала и взаимодействию с сотрудниками
- Курсовая работа. Часть 2. подготовка аналитического отчёта для SMM-отдела компании Skillbox на основе паблика Skillbox «ВКонтакте»
- Статистика и теория вероятностей
- Основы статистики и теории вероятностей
- Как врать при помощи статистики
- Основы математики для Data Science
- Базовые математические объекты и SymPy. Дроби и преобразования
- Базовые математические объекты и SymPy. Функции и дополнительные объекты
- Функции одной переменной, их свойства и графики
- Интерполяция и полиномы: квадратичные и кубические функции
- Аппроксимация и преобразование функций: сдвиги, растяжения, сжатия
- Аппроксимация и работа с производными
- Функции нескольких переменных, их свойства и графики
- Частные производные функции нескольких переменных
- Векторы и матрицы. Градиент
- Линейная регрессия и системы линейных уравнений
- Разложение матриц. Собственные векторы и значения
- Машинное обучение. Начальный уровень
- Основные концепции Machine Learning (ML)
- Жизненный цикл ML-проекта
- Регрессия: метрики качества, преобразование входных данных
- Регрессия: регуляризация и градиентный спуск
- Классификация: kNN, наивный байесовский классификатор, деревья решений
- Классификация: метрики качества классификации и многоклассовая классификация
- Кластеризация
- Дополнительные техники: понижение размерности
- Дополнительные техники: бустинг и стекинг
- Знакомство с Kaggle
- Курсовая работа. Проанализировать данные телекоммуникационной компании и спрогнозировать отток пользователей на основе демографических характеристик, услуг, которыми они пользуются, длительности пользования услугами, метода и размера оплаты
- Машинное обучение. Средний уровень
- Введение в нейронные сети
- Обучение нейронных сетей
- Нейронные сети на практике
- Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле)
- Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей)
- Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN)
- Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации
- Детектирование объектов. Задачи классификации и локализации
- Детектирование объектов. Анализ и реализация R-CNN-архитектуры
- Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API
- От дискриминативных моделей к генеративным. Style transfer
- Генеративные состязательные сети
- Введение в NLP
- NLP на нейросетях. Рекуррентные нейросети, классификация текстов
- NLP на нейросетях. Языковые модели, Attention, Transformer
- Обучение с подкреплением. Q-Learning
- Обучение с подкреплением. Deep Q-Learning
- Ускорение и оптимизация нейронных сетей
- Внедрение DL моделей в production
- Введение в рекомендательные системы и задачи ранжирования
- Современные подходы к построению рекомендательных систем
- Универсальные знания программиста
- Как стать первоклассным программистом
- Вёрстка email-рассылок. Советы на реальных примерах
- The state of soft skills
- Как мы создавали карту развития для разработчиков
- Как общаться по email и эффективно работать с почтой
- Повышение своей эффективности
- Спор о первом языке программирования
- Саморазвитие: как я не усидел на двух стульях и нашёл третий
- Data-driven подход к продуктивности — инсайты из данных миллиона людей
- Протокол HTTP
- Введение в алгоритмы
- Английский для IT-специалистов
- IT Resume and CV
- Job interview: questions and answers
- Teamwork
- Workplace communication
- Business letter
- Software development
- System concept development and SRS
- Design
- Development and Testing
- Deployment and Maintenance
Ваше резюме после обучения
- Должность Специалист по машинному обучению
- Зарплата от:100 000 ₽
Профессиональные навыки:
- Владение Python для машинного обучения
- Применение алгоритмов машинного обучения
- Работа с различными источниками данных: CSV, XML и XLS
- Написание рекомендательных систем
- Работа с базами данных MongoDB, PostgreSQL, SQLite3 и SQL
- Работа с нейронными сетями
- Работа с библиотеками pandas, numpy, matplotlib
Диплом Skillbox
Подтвердит, что вы прошли курс, и станет дополнительным аргументом при устройстве на работу.
