Machine Learning. Advanced

Machine Learning. Продвинутый уровень

Продвинутые приемы и кейсы для практикующих Data Scientist-ов, желающих повысить свой профессиональный уровень до Middle/Senior.

Длительность обучения:

5 месяцев

4 ак. часа в нед.

Формат:

Online

Начало занятий:

30 ноября

Дни занятий:

Ср 20:00, Пт 20:00

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.

Сравнение с курсом Machine Learning. Professional

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

Преподаватели

Мария Тихонова

Senior Data Scientist SberDevices, преподаватель ВШЭ

Работает специалистом по анализу данных в команде AGI NLP в SberDevices. Занимается нейросетевыми языковыми моделями и их применением в реальных задачах. Считает, что работа в области Data Science дает уникальную возможность заниматься безумно крутыми вещами on the edge of science, которые меняют мир здесь и сейчас.

Преподает в Высшей Школе Экономики дисциплины по анализу данных, машинному обучению и data science.

Мария закончила механико-математический факультет МГУ и школу анализа данных Яндекса. В настоящий момент Мария обучается в аспирантуре ВШЭ на факультете компьютерных наук. Среди ее научных интересов такие области data science, как natural language processing и тематическое моделирование.

Руководитель программы

Мария
Тихонова

Евгений
Романов

Дмитрий
Сергеев

Александр
Миленькин

Максим
Пантелеев

Евгений
Ревняков

Фаррух
Кушназаров

Максим
Мигутин

Андрей
Сухобок

Андрей
Канашов

Анатолий
Бурнашев

Преподаватели

Мария Тихонова

Senior Data Scientist SberDevices, преподаватель ВШЭ

Евгений Романов

Data Scientist

Занимаюсь анализом данных и машинном обучением с 2018 года. Закончил Финансовый Университет при Правительстве РФ и и имею образование в области риск-менеджмента.

Работал в департаментах рисков, комплаенса крупных российских банков, а также айти-консалтинге. В настоящий момент занимаюсь построением моделей для клиентского сервиса в Газпромбанке.

Компании: QIWI, Альфа-банк, МТС-Банк, PricewaterhouseCoopers.

Интересы: работающие модели, которые приносят безнесу деньги :)

Преподаватель

Дмитрий Сергеев

Head of R&D в WeatherWell

Соавтор курсов Machine Learning уровня Basic, Professional и Advanced

Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Head of R&D в компании WeatherWell. Имеет опыт практического применения машинного обучения в геймдеве, банковской сфере и Health Tech.

Преподавал машинное обучение и анализ данных в Центре Математических Финансов МГУ, был приглашенным лектором на Факультете Компьютерных Наук НИУ ВШЭ и различных летних школах.

Образование: Эконом-мат РЭУ им. Плеханова, ЦМФ МГУ, ДПО ФКН ВШЭ «Практический анализ данных и машинное обучение», MSc Computer Science Aalto University

Стек/интересы: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social good

Александр Миленькин

Старший менеджер по работе с большими данными в X5 Retail Group.
Ранее старший аналитик в Асна, data scientist в Gero и биоинформатик в Insilico Medicine.

Около 6 лет в IT. Выпускник МФТИ.

Преподаватель

Максим Пантелеев

Специалист по машинному обучению и разработке (BigData). Работал в таких компаниях как Mail.Ru Group, Wamba, NVidia, Sber, Megafon, Техносерв Консалтинг, где реализовывал практические кейсы применения машинного обучения полного цикла - прогнозирование временных рядов, детектирование аномалий, системы анализа соц. медиа поля (NLP), рекомендательные системы в ритейле и тд, так и HighLoad практическая реализация этих кейсов в продуктивном окружении - Hadoop, Spark, Flink, Kafka и тд

Долгое время занимался преподаванием курсов по машинному обучению и технологиям BigData в таких организациях как тренинговый Центр Люксофт, ВШЭ

Преподаватель

Евгений Ревняков

Начинал в школе с паяльником в руках. Потом был ZX Spectrum. В университет пошел на техническую специальность. В механике много интересного, но в 2008 интерес к ИТ взял верх: компьютерные сети -> Delphi -> PHP -> Python.
Были эксперименты с другими языками, но хочется писать именно на нем. Участвовал в проектах по автоматизации бизнес-процессов при помощи нейросетей (сервис заказа такси «Максим»), разработке информационных систем в медицине. Работал с GIS-системами и процессингом изображений при помощи Python.
В преподавании позиция: «Если кто-то не может объяснить сложное простыми словами, — значит он в этом еще не очень хорошо разбирается».

Образование: Курганский университет, кафедра "Безопасность информационных и автоматизированных систем", к.т.н.
В 2002 окончил Курганский государственный университет по специальности "Многоцелевые гусеничные и колесные машины".
В 2005 защитил диссертацию по бесступенчатым передачам. С тех пор официально трудоустроен в университете (КГУ).

Фаррух Кушназаров

Ping'an- iTutorGroup, Sr. Data Scientist

- к.т.н. по направлению Мат.моделирование и комплекс программ;
- 10+ лет опыта работы в сфере ИТ;
- 5+ лет опыта в проектах машинного обучения, глубокого обучения и искусственного интеллекта в различных областях;
- более 2-х лет педагогического опыта;
- 10+ научных публикаций.

Преподаватель

Максим Мигутин

Более 5-ти лет опыта в индустрии Данных & Аналитики в роли внешнего консультанта (IBM) и in-house лидера Data Engineering и Data Science-проектов (Альфа-Банк, Yum! Brands).

Сферы интересов: построение end-to-end аналитических систем, внедрение инструментов Машинного обучения в промышленную эксплуатацию, Рекомендательные системы, MPP-базы данных.

Образование: МГУ им. Ломоносова, математическая кафедра Экономического факультета

Андрей Сухобок

Data Scientist, Unity Technologies, Finland

Специалист по машинному обучению в компании Unity Technologies. Получил степень магистра по Machine Learning в университете Aalto в Финляндии.

Занимался рядом проектов на стыке двух дисциплин (машинного обучения и экономики). Работал в отделе Deloitte Analytics Institute в компании Deloitte (отдел разрабатывал продукты на основе машинного обучения для внутренних нужд компании и внешних заказчиков), а так же участвовал в проекте по анализу текстов в Институте Гайдара. Также занимался анализом GPS-данных различного транспорта для ЦОДД Москвы.

Имеет разносторонний бэкграунд и широкий спектр интересов: Python, Machine Learning, Natural Language Processing, Neural Networks, Statistical Modelling.

Образование:
— НИУ ВШЭ, «Математические методы анализа экономики»;
— Центр математических финансов МГУ им. М.В. Ломоносова, программа «Анализ Данных»;
— ДПО ФКН НИУ ВШЭ, программа «Deep Learning: расширенный курс»;
— Aalto University (Finland), MSc, Machine Learning.

Андрей Канашов

Senior Data Scientist в OZON

Работает в лидирующем российском маркетплейсе OZON. Занимался задачами с использованием как классического Machine Learning, так и Deep Learning алгоритмов с использованием нейронных сетей в задачах NLP и CV, а также проведением различных аналитических исследований:

- Задачи NLP (Topic Modeling, NER) и CV (face detection, instance segmentation, semantic segmentation, age/gender classification) для анализа социальных сетей
- Кластерный анализ целевых аудитории (clustering)
- Прогнозирование бизнес-метрик (classical ML)
- Аудиторное профилирование и персонализация рекламы

Самостоятельно занимался изучением Machine Learning. Знает, что нужно для освоения новой профессии и какие при этом возникают вопросы.

Преподаватель

Анатолий Бурнашев

Эксперт Центра практик обеспечения надёжности в MTS.Digital

20+ лет на проектах заказной разработки в ИТ.
Десятки успешных проектов, в том числе - по государственным контрактам.
Опыт разработки и внедрения ERP-систем, open-source решений, поддержка высоконагруженных приложений.
Преподаватель курсов по Linux, Kuber, MLOps, DataOps, SolutionArchitect, IaC, SRE, а так же наставник курса HighLoad

Преподаватель

Отзывы

Сергей
Новожилов

Учусь в Otus на курсе ML Advanced, доволен очень.
Преподают из всех уголков мира, по Zoom, вроде привык уже к удалёнке, но всё равно поражает.
- По-настоящему классные специалисты.
- Цена курсов разумная. Я когда покупал первый раз, долго и недоверчиво выяснял, как, если что не так, вернуть деньги. На мой взгляд, Отусу было бы выгодно поагрессивнее записывать на курс, потом, после 3-го занятия, скажем, решать вопрос с оплатой, а то на покупку кота в мешке 50к многие не решатся выложить. Сейчас не жалею, буду еще брать курсы у них.
Из пожеланий:
- получше с записью вебинаров разобраться, чтобы технических сбоев было поменьше, корпоративный Zoom это вроде позволяет

IGOR
GARAEV

Добрый день! курс дал обширные знания и заложил основания в новых областях : байесовского вывода, многоруких бандитов ,A/B тестирования, временных рядов (кластеризация, вейвлеты, FFT ) и RL.
В постоянно меняющихся условиях бизнеса и новых ограничений(например:GDPR,IOS14 к системе трекинга, новые требования 2022 google к трекингу) - происходит бурное развитие новых инструментов и подходов в маркетинге и продукте, которые требует понимания и применения вышеперечисленных тем.
Данный курс под руководством инструктора - позволил освоить теоретический материал и закрепить его на практике с помощью большого количества показанных примеров и домашних заданий. Это фундамент позволит мне самостоятельно далее развиваться в данной области и применять на практике в бизнесе.

Владислав
Лещинский

Ну конечно обогатил копилку знаний. При некоторых нареканиях по форме преподавания, содержательно было хорошо это стало уже понятно когда смотришь на курс целиком. Остались мысли на додумывание в части попробовать применить в работе, а это точно значит, что информация ценная.

Марк

Благодарен курсу за то, что узнал о существовании coursera. А если серьезно, то большое спасибо Марии Тихоновой - очень глубокое понимание предметной области + огромный преподавательский талант, просто восторг.

Сергей
Новожилов

IGOR
GARAEV

Владислав
Лещинский

Марк

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).

Корпоративное обучение для ваших сотрудников

Подробнее

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?

Тема 6. Поиск нечетких дублей

Тема 7. Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей

Модуль 2 Production

C 28 декабря

Тема 8. REST-архитектура: Flask API

Тема 9. Docker: Структура, применение, деплой

Тема 10. Kubernetes, контейнерная оркестрация

Тема 11. Практическое занятие по работе в проде: деплой докера в AWS

Модуль 3 Временные ряды

C 20 января

Тема 12. Извлечение признаков. Fourier и Wavelet transformation, Automatic Feature generation - tsfresh

Тема 13. Unsupervised подходы: Кластеризация временных рядов

Тема 14. Unsupervised подходы: Сегментация временных рядов

Модуль 4 Рекомендательные системы. Задача ранжирования

C 1 февраля

Тема 15. Рекомендательные системы 1. Explicit feedback

Тема 16. Рекомендательные системы 2. Implicit feedback

Тема 17. Задача ранжирования - Learning to rank

Тема 18. Практическое занятие по рекомендательным системам. Surpsise!

Тема 19. Q&A

Модуль 5 Графы

C 17 февраля

Тема 20. Введение в графы: основные понятия. NetworkX, Stellar

Тема 21. Анализ графов и интерпретация. Community Detection

Тема 22. Link Prediction и Node Classification

Тема 23. Практическое занятие: Хейтеры в Twitter

Модуль 6 Bayesian Learning, PyMC

C 15 марта

Тема 24. Введение в вероятностное моделирование, апостериорные оценки, сэмплирование

Тема 25. Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings

Тема 26. Байесовское АB-тестирование

Тема 27. Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов

Тема 28. Практическое занятие по GLM

Тема 29. Байесовская сеть доверия: практическое занятие

Тема 30. Практическое занятие по логит-регрессии

Модуль 7 Reinforcement Learning

C 7 апреля

Тема 31. Введение в обучение с подкреплением

Тема 32. Multi-armed bandits для оптимизации AB-тестирования, от теории - сразу в бой

Тема 33. Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация

Тема 34. Markov Decision Process, Value function, Bellman equation

Тема 35. Value iteration, Policy iteration

Тема 36. Monte Carlo Methods

Тема 37. Temporal Difference (TD) и Q-learning

Тема 38. SARSA и Практическое занятие: финансовый кейс TD и Q-learning

Тема 39. Q&A

Модуль 8 Проектная работа

C 10 мая

Тема 40. Выбор темы проекта

Тема 41. Бонус: Поиск Data Science работы

Тема 42. Предзащита проектных работ №1

Тема 43. Предзащита проектный работ №2

Тема 44. 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.

Получить консультацию

Наш специалист свяжется с вами в ближайшее время. Если у вас возникли трудности в выборе курса или проблемы технического плана, то мы с радостью поможем вам.

После обучения вы

заберете с собой материалы по всем занятиям (презентации, записи вебинаров, примеры практических задач);

получите сертификат на русском о прохождении курса;

научитесь использовать методы машинного обучения для решения реальных бизнес-задач;

создадите своё портфолио проектов, которое поможет при прохождении собеседований;

получите приглашение пройти собеседование в компаниях-партнерах OTUS в Москве (в случае успешного обучения на курсе).

Дата выдачи сертификата: 4 июня 2023 года

Ваш сертификат

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine Learning. Advanced»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine Learning. Advanced»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

Прошедшие открытые вебинары

Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.

Мария Тихонова

2 ноября 2021 года в 18:00

Для доступа к прошедшим мероприятиям необходимо пройти входное тестирование

Возможность пройти вступительное тестирование повторно появится только через 2 недели

Результаты тестирования будут отправлены вам на e-mail, указанный при регистрации.

Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!