Специальная цена
Курс переработан
Machine Learning. Advanced
Продвинутые ML приемы для практикующих
Data Scientists, желающих повысить свой профессиональный уровень до Middle+
26 декабря
Advanced
6 месяцев
Онлайн
Пн/Чт 20:00 Мск
Для кого этот курс?
- Для аналитиков: научитесь применять методы машинного обучения в прогнозах
- Для программистов: научитесь строить end-to-end пайплайны и выводить ML-модели в production
- Для Data Scientist's и ML инженеров: усовершенствуйте навыки и продвигайтесь по карьерной лестнице
Необходимые знания
- Python (pandas, sklearn, numpy)
- Понимание базовых принципов и алгоритмов ML
- Математический анализ (вычисление производных сложных функций)
- Линейная алгебра (матричные операции и собственные вектора)
- Теория вероятностей и мат. статистики (понимание дисперсии, мат. ожидания, законы распределений).
Чувствуете, что Machine Learning. Advanced – это слишком хардкорно?
Начните с Machine Learning Professional
Сравнение с курсом Machine Learning. Professional
Подходит ли эта программа именно вам?
Пройдите короткий тест, который проверяет ваше знание пререквизитов, а именно математики и питона, которые понадобятся вам на курсе
Что даст вам этот курс?
После вебинара вы получаете Jupyter Notebook с разбором практического кейса с занятия. По итогу курса у вас будет обширная база знаний по каждому модулю.
Что вы сможете после обучения:
- 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 сложные задачи, связанные с рекомендательными системами, временными рядами и RL, например: ранжирование, поиск одинаковых товаров, классификация изображений, динамическое ценообразования, оптимизация логистики, прогнозирование торговли и многие другие.
- Применение обучения с подкреплением на основе алгоритма DQN в торговле фьючерсными контрактами
- Зависимость курса российского рубля (RUR) к доллару США (USD) от стоимости нефти, никеля, алюминия, золота, пшеницы
- Предсказания оптических свойств молекул по их структуре: поиск новых флуорофоров в теле человека
Нужны специализированные знания?
Посмотрите направления:
Computer VisionReinforcement Learning
Natural Language Processing
Hard skills
Flask API, Docker, EDA, ARIMA / SARIMA, LSTM / GRU / Transformers, userKNN, itemKNN, SVD и ALS, sequential, session-based подходы, Community Detection, Link Prediction и Node Classification, PyMC, GLM, RL, H2O и TPOT; Библиотеки: tsfresh и tsfel, NetworkX, StellarПроцесс обучения
Занятия в OTUS – это вебинары.
Преподаватели-практики помогут погрузиться в теорию, обучат на реальных примерах, расскажут о необходимых в работе инструментах.
Вы всегда сможете задать вопрос и получить исчерпывающий ответ. И самое главное – сможете практиковаться.
Учитесь онлайн отовсюду. А если вдруг пропустите занятие, просто посмотрите запись.
Оптимальная нагрузка
Совмещайте учёбу и работу, у вас получитсяЭксперты
Преподаватели из разных сфер, каждый со своим уникальным опытомПерспективы
Смело претендуйте на позиции Middle+ Data Scientist.Партнеры
- Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров
- Карьерные мероприятия в сообществе
Публичный разбор резюме
Публичное прохождение собеседования и воркшопы
ML engineer
Работодатели курса
Интерактивные вебинары
2 онлайн-трансляции по 2 ак. часа в неделю. Доступ к записям и материалам остается навсегдаПрактика
Домашние задания и проектная работа усилят портфолио и прокачают навыки
Активное комьюнити
Общение с преподавателями на вебинарах, переписки в закрытом телеграм-чате, развёрнутые ответы при проверке домашних заданий
Программа
Временные ряды
Данный модуль посвящен продвинутым методам работы с временными рядами. Мы разберём различные способы генерации признаков из временных рядов, а также две важные задачи, которые можно решать с таким типом данных: кластеризацию и сегментацию.
Тема 1: Извлечение признаков. Fourier и Wavelet transformation, Automatic Feature generation - tsfresh
Тема 2: Unsupervised подходы: Кластеризация временных рядов
Тема 3: Unsupervised подходы: Сегментация временных рядов
Тема 4: Прогнозирование временных рядов
Тема 5: Поиск аномалий во временных рядах
Рекомендательные системы. Задача ранжирования
В этом модуле мы будем работать с различными типами рекомендательных систем. Рассмотрим случаи явного (explicit) и неявного (implicit) фидбека, а также крайне важную для рекомендаций задачу ранжирования - learning to rank. Также мы научимся работать с одной из самых популярных питоновских библиотек для рекомендательных систем.
Тема 1: Введение в теорию рекомендательных систем и их практическое применение
Тема 2: Проблема холодного старта. Метод поиска ближайших соседей
Тема 3: SVD и ALS алгоритмы
Тема 4: Практическое занятие по рекомендательным системам. Двухуровневая модель
Тема 5: Обзор нейросетевых моделей
Bayesian Learning, PyMC
В этом модуле мы познакомимся с очень важным и полезным направлением работы с данными (и не только) - байесовским обучением. В отличие от привычных нам моделей, где мы зачастую получаем точечную оценку коэффициентов и точечные же предсказания, в байесовской парадигме мы будем работать с целыми вероятностными распределениями и получать гораздо более мощные инструменты для работы с вероятностями. Мы подробно изучим теоретическую основу байесовских методов, включая способы получения оценок распределений при помощи сэмплирования, разберём байесовский подход к АB-тестированию, а также обобщенные линейные модели (GLM), способные решать задачи регрессии и классификации.
Тема 1: Введение в вероятностное моделирование, апостериорные оценки, сэмплирование
Тема 2: Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
Тема 3: Байесовское АB-тестирование
Тема 4: Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов
Тема 5: Практическое занятие по GLM
Тема 6: Практическое занятие по логит-регрессии
Тема 7: Байесовская сеть доверия: практическое занятие
Reinforcement Learning
Обучение с подкреплением (RL) - одно из очень перспективных направлений машинного обучения, которое находит всё больше применений на практике. Мы начнём с изучения теоретических основ RL, рассмотрим способ проведения АБ-тестов с использованием многоруких бандитов, а также разберём самые популярные алгоритмы: Markov Decision Process, Value Iteration, Policy Iteration, Temporal Difference, SARSA и Q-learning. При этом большой упор делается на практическое применение этих методов для решения реальных задач.
Тема 1: Введение в обучение с подкреплением
Тема 2: Multi-armed bandits для оптимизации AB-тестирования, от теории - сразу в бой
Тема 3: Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация
Тема 4: Markov Decision Process, Value function, Bellman equation
Тема 5: Value iteration, Policy iteration
Тема 6: Monte Carlo Methods
Тема 7: Temporal Difference (TD) и Q-learning
Тема 8: SARSA и Практическое занятие: финансовый кейс TD и Q-learning
Тема 9: Deep Q-Network (DQN) алгоритм
Тема 10: Deep Policy Gradient (PG) алгоритм
Тема 11: Actor-Critic алгоритм
Production
Модуль полностью посвящен внедрению ML-проектов в прод. Мы подробно разберём сериализацию моделей, создание API и контейнеризацию в Docker и Kubernetes.
Тема 1: Production Code проекта на примере задачи классификации/регрессии, Virtual environments, dependency management, pypi/gemfury
Тема 2: REST-архитектура: Flask API
Тема 3: Docker: Структура, применение, деплой
Тема 4: Сети и Docker compose
Тема 5: Практическое занятие по работе в проде: деплой докера в Yandex Cloud
Тема 6: Колоночные БД и объектные хранилища
Тема 7: Версионирование данных. DVC
Тема 8: Воспроизводимость и версионирование. MLFlow
Production. AutoML
В этом модуле мы научимся грамотно структурировать код production ML-проекта с использованием виртуальных оболочек и менеджеров зависимостей. Также мы познакомимся с продвинутыми методами оптимизации кода и новыми способами кодирования категориальных переменных. Мы научимся работать с самыми популярными библиотеками для AutoML, поймём их преимущества и недостатки, а также области применения на практике.
Тема 1: Практическое занятие - Оптимизация кода, parallelization, multiprocessing, ускорение pandas, Modin для Pandas
Тема 2: Advanced Data Preprocessing. Categorical Encodings
Тема 3: Featuretools - а вы что, за меня и признаки придумывать будете?
Тема 4: H2O и TPOT - а вы что, за меня и модели строить будете?
Тема 5: Поиск нечетких дублей
Тема 6: Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Проектная работа
Заключительный месяц курса посвящен проектной работе. Свой проект — это то, над чем интересно поработать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.
Тема 1: Выбор темы проекта
Тема 2: Предзащита проектных работ №1
Тема 3: Предзащита проектный работ №2
Тема 4: Защита проектных работ
Бонусный модуль NLP
Нейросетевые языковые модели и практические методы применения LLM и фундаментальных моделей.
Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит
Проектная работа
Мы стремимся, чтобы студенты выбирали темы выпускных проектов сами, а не работали по шаблонным заготовкам. Поэтому все выпускные проекты на курсе это ценные исследования для ML. О выпускных проектах наших студентов рассказывают на собеседованиях и даже пишут статьи. Вот некоторые из них:
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Ближайшие мероприятия
Бесплатный открытый вебинар - онлайн-занятие с преподавателем курса. На открытом вебинаре можно посмотреть, как проходит обучение, а ещё узнать что-то ценное по интересующей теме. На занятии слушатели могут задавать ведущему вопросы.
В результате вебинара мы:
- Познакомимся с популярным подходом к построению рекомендательных систем: collaborative filtering.
- Рассмотрим особенности ранжирующих функций потерь, их отличие от других функций потерь, используемых в рекомендательных системах.
- Изучим архитектуру модели BPRMF и применим ее на практике.
Этот урок особенно будет интересен:
- Всем кто интересуется рекомендательными системами
- Дата-сайентистам, желающим расширить область своих знаний
- Тем кто самостоятельно изучает Data Science и уже знаком с основными методами ML
Присоединяйтесь к нам для глубокого погружения в мир рекомендательных систем! 🚀
В результате вебинара участники узнают:
- Какой набор инструментов и методов они смогут освоить на ML Advanced, а главное, где затем их смогут применять
- Узнают как эффективно применять продвинутые методы ML для решения комплексных задач.
- Какие карьерные перспективы открывает перед ними этот курс
Вебинар будет полезен:
- Продвинутым IT-специалистам, практикующим ML, которые хотят освоить более сложные методы и техники.
- Дата-сайентистам, стремящимся углубить свои знания и выйти на новый уровень в профессии.
- Тем, кто самостоятельно изучает Data Science и уже освоил базовые методы ML, но хочет перейти к более сложным и эффективным подходам
Присоединяйтесь к нам для увлекательного погружения в мир машинного обучения! 🚀
👥Кому подойдет этот вебинар:
- продвинутым IT-специалистам, внедряющим ML модели в свои проекты.
- Дата-сайентистам, желающим углубиться в профессию и получить дополнительные знания.
- Тем кто самостоятельно изучает Data Science и уже освоил базовые методы препроцессинга.
❗Основные преимущества auto feature engineering:
- позволяет генерировать новые полезные признаки путём автоматизации извлечения их из датасета.
- реализует процедуры конструирования сложных признаков на основе агрегации данных и реляционных связей между несколькими таблицами данных;
- упрощает процесс отбора признаков по различным критериям и формирует стек информативных признаков для обучения модели с высокими точностными характеристиками;
🎯Результаты урока:
- познакомитесь с основными инструментами автоматизации генерации и извлечения признаков;
- познакомитесь с основными инструментами автоматизации конструирования сложных признаков.
- научитесь осуществлять автоматизированный отбор признаков;
- научитесь работать с библиотеками для auto feature engineering.
Присоединяйтесь к нам и откройте новые горизонты в мире Machine Learning! 🚀
Прошедшие
мероприятия
Возможность пройти вступительное тестирование повторно появится только через 3 дня
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Корпоративное обучение для ваших сотрудников
- Курсы OTUS верифицированы крупными игроками ИТ-рынка и предлагают инструменты и практики, актуальные на данный момент
- Студенты работают в группах, могут получить консультации не только преподавателей, но и профессионального сообщества
- OTUS проверяет знания студентов перед стартом обучения и после его завершения
- Простой и удобный личный кабинет компании, в котором можно видеть статистику по обучению сотрудников
- Сертификат нашего выпускника за 5 лет стал гарантом качества знаний в обществе
- OTUS создал в IT более 120 курсов по 7 направлениям, линейка которых расширяется по 40-50 курсов в год
Отзывы
Сертификат о прохождении курса
OTUS осуществляет лицензированную образовательную деятельность. В конце прохождения курса вы получите сертификат OTUS и УПК (удостоверение повышения квалификации).
После обучения вы:
- Заберёте полный комплект обучающих материалов: видеозаписи вебинаров, презентации к занятиям
- Разработаете ценный для индустрии проект
- Повысите личную конкурентоспособность как IT-специалист
- Получите сертификат об окончании курса
Machine Learning. Advanced
Стоимость в рассрочку со скидкой
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Пройдите тестирование и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно