Machine Learning. Advanced | OTUS

Курсы

Программирование
PHP Developer. Basic
-20%
Специализация PHP Developer
-25%
C# Developer. Professional
-20%
Team Lead
-20%
Symfony Framework
-20%
C# Developer. Basic
-20%
iOS Developer. Basic
-20%
C# ASP.NET Core разработчик
-20%
Специализация Python Developer
-25%
Разработчик на Spring Framework
-20%
Kotlin Backend Developer
-20%
Архитектура и шаблоны проектирования
-20%
Highload Architect Java Developer. Professional Android Developer. Basic Специализация Android-разработчик Unity Game Developer. Professional Специализация C++ Developer Cloud Solution Architecture Java Developer. Basic Android Developer. Professional Подготовка к сертификации Oracle Java Programmer (OCAJP) JavaScript Developer. Professional Framework Laravel Unity Game Developer. Basic Node.js Developer JavaScript Developer. Basic HTML/CSS Unreal Engine Technical Game Design Kotlin Developer. Basic
Специализации Курсы в разработке Подготовительные курсы Подписка
+7 499 938-92-02
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.

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 Сбер, преподаватель ВШЭ
Дмитрий Сергеев
Head of R&D в WeatherWell
Богдан Кириллов
младший научный сотрудник Института Биологии Гена Российской Академии Наук
Александр Миленькин
Максим Пантелеев
Андрей Дзись
Борис Цейтлин
Фаррух Кушназаров
Ping'an- iTutorGroup, Sr. Data Scientist
Максим Мигутин
Антон Лоскутов
Data Scientist в Mail.Ru Group
Андрей Сухобок
Data Scientist, Unity Technologies, Finland
Андрей Канашов
Data Scientist в OMD OM GROUP
Максим Бекетов
Работает специалистом по анализу данных в команде AGI NLP в Сбере. 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.

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

В отрасли машинного обучения с 2013 года, сначала занимался статистической обработкой психологических исследований, затем компьютерным зрением, искусственным интеллектом в анализе медицинских данных и биоинформатикой.

В 2016 году закончил бакалавриат Университета ИТМО, направление "Техническая физика". В 2016-17 учился в магистратуре "Анализ данных в биологии и медицине" НИУ ВШЭ. В 2019 году закончил магистерскую программу "Науки о жизни" Сколковского института науки и технологии.
В 2019 году занимался поиском новых иммунных систем бактерий при помощи машинного обучения в Национальном Центре Биотехнологической Информации (NCBI, NLM, NIH, г. Бетезда, Мэрилэнд, США). С 2019 года - аспирант Сколковского института науки и технологий, тема диссертации - "Оценка неопределенности и интерпретация предсказаний нейронных сетей для изучения механизмов работы системы CRISPR".
В 2020 году преподавал в НИУ ВШЭ, читал курс "Культура работы с данными" для студентов первого курса ФБиБ. В 2019-2020 году работал в компании СберМедИИ (тогда называвшейся CoBrain Analytics), основной проект - система автоматической деперсонализации отсканированных рукописных историй болезни. С 2021 - младший научный сотрудник Института Биологии Гена Российской Академии Наук.

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.

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

В настоящее время работает аналитиком данных в Инжиниринговом Центре МФТИ по полезным ископаемым. Занимается анализом и обработкой данных с оборудования для нефтедобычи с целью реализации интеллектуальных продуктов для эффективного мониторинга и эксплуатации на основе алгоритмов машинного обучения.
Выпускник совместной программы магистратуры ФРКТ МФТИ и Сколковского Института Науки и Технологии по направлению "Интеллектуальный анализ данных".

Выпускник магистратуры "Науки о данных" ФКН ВШЭ.

Работал machine learning инженером в Mindsdb, где разрабатывал auto-ml решения. Имеет опыт работы в аналитике продукта и back-end разработке.

Сфера научных интересов включает в себя computer vision, semi-supervised learning, few-shot learning.

- 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.

Более 5-ти лет опыта в индустрии Данных & Аналитики в роли внешнего косультанта (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

Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Закончил обучение в МГУ имени М. В. Ломоносова на механико-математическом факультете.

Читал лекции по машинному обучению в проекте Open Data Science, сейчас проводит авторский курс по машинному обучению внутри Mail.Ru. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.

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.

Работает на позиции Data Scientist в рекламном агентстве OMD OM GROUP. В текущей деятельности решает задачи:
- Аудиторного профилирования
- Персонализации рекламы
- Анализа социальных сетей

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

Аспирант ФКН ВШЭ

Выпускник ФОПФ МФТИ и Сколтеха, в машинное обучение пришел из теоретической физики. Опыт работы в анализе данных (компания App In The Air) и Python-разработки (Archeads Inc.)

Многолетний опыт преподавания: линейной алгебры, статистики и теории вероятностей, разработки и анализа данных на Python.

Мария
Тихонова
Дмитрий
Сергеев
Богдан
Кириллов
Александр
Миленькин
Максим
Пантелеев
Андрей
Дзись
Борис
Цейтлин
Фаррух
Кушназаров
Максим
Мигутин
Антон
Лоскутов
Андрей
Сухобок
Андрей
Канашов
Максим
Бекетов

Преподаватели

Мария Тихонова
Senior Data Scientist Сбер, преподаватель ВШЭ
Работает специалистом по анализу данных в команде AGI NLP в Сбере. 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.

Дмитрий Сергеев
Head of R&D в WeatherWell
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

Богдан Кириллов
младший научный сотрудник Института Биологии Гена Российской Академии Наук
В отрасли машинного обучения с 2013 года, сначала занимался статистической обработкой психологических исследований, затем компьютерным зрением, искусственным интеллектом в анализе медицинских данных и биоинформатикой.

В 2016 году закончил бакалавриат Университета ИТМО, направление "Техническая физика". В 2016-17 учился в магистратуре "Анализ данных в биологии и медицине" НИУ ВШЭ. В 2019 году закончил магистерскую программу "Науки о жизни" Сколковского института науки и технологии.
В 2019 году занимался поиском новых иммунных систем бактерий при помощи машинного обучения в Национальном Центре Биотехнологической Информации (NCBI, NLM, NIH, г. Бетезда, Мэрилэнд, США). С 2019 года - аспирант Сколковского института науки и технологий, тема диссертации - "Оценка неопределенности и интерпретация предсказаний нейронных сетей для изучения механизмов работы системы CRISPR".
В 2020 году преподавал в НИУ ВШЭ, читал курс "Культура работы с данными" для студентов первого курса ФБиБ. В 2019-2020 году работал в компании СберМедИИ (тогда называвшейся CoBrain Analytics), основной проект - система автоматической деперсонализации отсканированных рукописных историй болезни. С 2021 - младший научный сотрудник Института Биологии Гена Российской Академии Наук.

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.

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

Андрей Дзись
В настоящее время работает аналитиком данных в Инжиниринговом Центре МФТИ по полезным ископаемым. Занимается анализом и обработкой данных с оборудования для нефтедобычи с целью реализации интеллектуальных продуктов для эффективного мониторинга и эксплуатации на основе алгоритмов машинного обучения.
Выпускник совместной программы магистратуры ФРКТ МФТИ и Сколковского Института Науки и Технологии по направлению "Интеллектуальный анализ данных".

Борис Цейтлин
Выпускник магистратуры "Науки о данных" ФКН ВШЭ.

Работал machine learning инженером в Mindsdb, где разрабатывал auto-ml решения. Имеет опыт работы в аналитике продукта и back-end разработке.

Сфера научных интересов включает в себя computer vision, semi-supervised learning, few-shot learning.

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.

Максим Мигутин
Более 5-ти лет опыта в индустрии Данных & Аналитики в роли внешнего косультанта (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

Антон Лоскутов
Data Scientist в Mail.Ru Group
Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Закончил обучение в МГУ имени М. В. Ломоносова на механико-математическом факультете.

Читал лекции по машинному обучению в проекте Open Data Science, сейчас проводит авторский курс по машинному обучению внутри Mail.Ru. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.

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
Data Scientist в OMD OM GROUP
Работает на позиции Data Scientist в рекламном агентстве OMD OM GROUP. В текущей деятельности решает задачи:
- Аудиторного профилирования
- Персонализации рекламы
- Анализа социальных сетей

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

Максим Бекетов
Аспирант ФКН ВШЭ

Выпускник ФОПФ МФТИ и Сколтеха, в машинное обучение пришел из теоретической физики. Опыт работы в анализе данных (компания App In The Air) и Python-разработки (Archeads Inc.)

Многолетний опыт преподавания: линейной алгебры, статистики и теории вероятностей, разработки и анализа данных на Python.

Отзывы

3
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
Читать целиком
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.
Читать целиком
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.
Читать целиком
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
Читать целиком
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.
Читать целиком
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.
Читать целиком

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).
Корпоративное обучение для ваших сотрудников
>
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
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. Встреча с руководителем курса (Дополнительное занятие)
Тема 5. Featuretools - а вы что, за меня и признаки придумывать будете?
Тема 6. H2O и TPOT - а вы что, за меня и модели строить будете?
Тема 7. Поиск нечетких дублей (Дополнительное занятие)
Тема 8. Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 9. REST-архитектура: Flask API
Тема 10. Docker: Структура, применение, деплой
Тема 11. Kubernetes, контейнерная оркестрация
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
Тема 15. Практическое занятие по работе в проде: деплой докера в AWS
Тема 16. Рекомендательные системы 1. Explicit feedback
Тема 17. Рекомендательные системы 2. Implicit feedback
Тема 18. Задача ранжирования - Learning to rank
Тема 19. Практическое занятие по рекомендательным системам. Surpsise!
Тема 20. Q&A
C 9 февраля
Тема 21. Введение в графы: основные понятия. NetworkX, Stellar
Тема 22. Анализ графов и интерпретация. Community Detection
Тема 23. Link Prediction и Node Classification
Тема 24. Практическое занятие: Хейтеры в Twitter
C 28 февраля
Тема 25. Введение в вероятностное моделирование, апостериорные оценки, сэмплирование
Тема 26. Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
Тема 27. Байесовское АB тестирование
Тема 28. Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов
Тема 29. Практическое занятие по GLM
Тема 30. Байесовская сеть доверия: практическая занятия
Тема 31. Практическое занятие по логит-регрессии
C 30 марта
Тема 32. Введение в обучение с подкреплением
Тема 33. Multi-armed bandits для оптимизации AB тестирования, от теории - сразу в бой
Тема 34. Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация
Тема 35. Markov Decision Process, Value function, Bellman equation
Тема 36. Value iteration, Policy iteration
Тема 37. Monte Carlo Methods
Тема 38. Temporal Difference (TD) и Q-learning
Тема 39. SARSA и Практическое занятие: финансовый кейс TD и Q-learning
Тема 40. Q&A
C 2 мая
Тема 41. Выбор темы проекта
Тема 42. Бонус: Поиск Data Science работы
Тема 43. Предзащита проектных работ №1
Тема 44. Предзащита проектный работ №2
Тема 45. Защита проектных работ
Тема 46. Сбор данных
Тема 47. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 48. Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами
Тема 49. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 50. Анализ текстовых данных. Часть 4: Тематическое моделирование
Скачать подробную программу
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.
Спасибо!
Мы получили Вашу заявку, в ближайшее время с Вами свяжется наш менеджер.

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: 20 февраля 2023 года
Ваш сертификат

онлайн-образование

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.

онлайн-образование

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.
Интенсив "Деплой ML модели: от грязного кода в ноутбуке к рабочему сервису. День 2.
Борис Цейтлин
День открытых дверей
2 ноября 2021 года в 18:00
Оставьте заявку, чтобы получить доступ к записям прошедших мероприятий. Записи всех мероприятий появятся в этом блоке