Machine Learning. Advanced | OTUS
⚡ Подписка на курсы OTUS!
Интенсивная прокачка навыков для IT-специалистов!
Подробнее

Курсы

Программирование
Python Developer. Professional
-3%
Разработчик на Spring Framework
-5%
iOS Developer. Professional
-8%
Golang Developer. Professional
-6%
Базы данных
-12%
Agile Project Manager
-5%
Android Developer. Professional
-11%
Microservice Architecture
-5%
C++ Developer. Professional
-5%
Highload Architect
-6%
JavaScript Developer. Basic
-8%
Backend-разработчик на PHP
-9%
Разработчик IoT
-13%
PostgreSQL
-8%
Алгоритмы и структуры данных Разработчик программных роботов (RPA) на базе UiPath и PIX Unity Game Developer. Basic Разработчик голосовых ассистентов и чат-ботов Vue.js разработчик VOIP инженер NoSQL Супер-практикум по использованию и настройке GIT Symfony Framework iOS Developer. Basic Супер-интенсив «СУБД в высоконагруженных системах» Супер-интенсив "Tarantool"
Инфраструктура
DevOps практики и инструменты
-12%
Базы данных
-12%
Network engineer. Basic
-10%
Network engineer
-4%
Экcпресс-курс «ELK»
-10%
Инфраструктурная платформа на основе Kubernetes
-6%
Administrator Linux.Basic
-10%
Экспресс-курс «CI/CD или Непрерывная поставка с Docker и Kubernetes»
-30%
Дизайн сетей ЦОД
-13%
PostgreSQL
-8%
Разработчик программных роботов (RPA) на базе UiPath и PIX Reverse-Engineering. Professional Внедрение и работа в DevSecOps Administrator Linux. Advanced Infrastructure as a code in Ansible Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes Экспресс-курс «IaC Ansible»
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Специальная цена
Партнер курса
логотип партнера
Специальная цена
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:

26 февраля

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

Дмитрий Сергеев
Senior Data Scientist в Oura
Natalia Щербакова
Антон Захаренков
Максим Пантелеев
Андрей Дзись
Мария Тихонова
Senior Data Scientist Сбер, преподаватель ВШЭ
Борис Цейтлин
Михаил Марюфич
Machine Learning Engineer в Mail.Ru Group
Антон Лоскутов
Data Scientist в Mail.Ru Group
Андрей Сухобок
Research Associate, Aalto University, Finland
Андрей Канашов
Data Scientist в OMD OM GROUP
Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Senior Data Scientist-ом в компании ŌURA Health Oy. 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

Руководитель программы
Преподаватель биостатистики, фармакоэкономики, фарминдустрии фармацевтической программы в г. Спрингфилд, Массачусеттс.
Наталья закончила Пермскую Государственную Фармацевтическую Академию по специальности Провизор, а также аспирантуру в университете штата Техас в Остине по специальности фармация. С 2012 занимается научной деятельностью, а также преподает следующие дисциплины: фармакоэкономика, биостатистика, системы здравоохранения, фармацевтическая индустрия.
Также Наталья консультирует страховые медицинские компании по вопросам эффективности , безопасности и рационального использования лекарств.
Наталия публикуется в международных журналах по темам своих научных интересов, а также является рецензентом в следующих журналах : American Journal of Managed Care, American Journal of Pharmacy Benefits, Journal of Managed Care and Specialty Pharmacy, Annals of Pharmacotherapy, JAMA Open, Journal of General Internal Medicine, Pharmacoepidemiology, Patient Preference and Adherence, International Journal of Pharmacy Practice, etc.

Преподаватель
В настоящий момент работает в компании conundrum.ai. Занимает позицию Machine Learning Researcher и ведет исследования в областях анализа временных рядов и компьютерного зрения.

Образование: бакалавриат ФУПМ МФТИ; магистратура НИУ ВШЭ.

Мастер соревнований на платформе kaggle.

Преподаватель
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
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".

Преподаватель
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.

Преподаватель
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.

Преподаватель
Machine Learning Engineer в Mail.Ru Group.
Занимается машинным обучением более 4-х лет, решает задачи end2end, от формулировки проблемы до выкатки в промышленную эксплуатацию и дальнейшей поддержки системы. В профессиональной деятельности превыше всего ценит воспроизводимость результатов и хорошие процессы разработки.

Образование: Математико-Механический факультет СПбГУ, направления “Data Science” и “Software Engineering” в Computer Science Center

Преподаватель
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.

Преподаватель
Специалист по машинному обучению и участник проекта по анализу текстов в Институте Гайдара. Получает 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). 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.

Преподаватель
Дмитрий
Сергеев
Natalia
Щербакова
Антон
Захаренков
Максим
Пантелеев
Андрей
Дзись
Мария
Тихонова
Борис
Цейтлин
Михаил
Марюфич
Антон
Лоскутов
Андрей
Сухобок
Андрей
Канашов

Преподаватели

Дмитрий Сергеев
Senior Data Scientist в Oura
Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Senior Data Scientist-ом в компании ŌURA Health Oy. 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

Руководитель программы
Natalia Щербакова
Преподаватель биостатистики, фармакоэкономики, фарминдустрии фармацевтической программы в г. Спрингфилд, Массачусеттс.
Наталья закончила Пермскую Государственную Фармацевтическую Академию по специальности Провизор, а также аспирантуру в университете штата Техас в Остине по специальности фармация. С 2012 занимается научной деятельностью, а также преподает следующие дисциплины: фармакоэкономика, биостатистика, системы здравоохранения, фармацевтическая индустрия.
Также Наталья консультирует страховые медицинские компании по вопросам эффективности , безопасности и рационального использования лекарств.
Наталия публикуется в международных журналах по темам своих научных интересов, а также является рецензентом в следующих журналах : American Journal of Managed Care, American Journal of Pharmacy Benefits, Journal of Managed Care and Specialty Pharmacy, Annals of Pharmacotherapy, JAMA Open, Journal of General Internal Medicine, Pharmacoepidemiology, Patient Preference and Adherence, International Journal of Pharmacy Practice, etc.

Преподаватель
Антон Захаренков
В настоящий момент работает в компании conundrum.ai. Занимает позицию Machine Learning Researcher и ведет исследования в областях анализа временных рядов и компьютерного зрения.

Образование: бакалавриат ФУПМ МФТИ; магистратура НИУ ВШЭ.

Мастер соревнований на платформе kaggle.

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
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".

Преподаватель
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.

Преподаватель
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.

Преподаватель
Михаил Марюфич
Machine Learning Engineer в Mail.Ru Group
Machine Learning Engineer в Mail.Ru Group.
Занимается машинным обучением более 4-х лет, решает задачи end2end, от формулировки проблемы до выкатки в промышленную эксплуатацию и дальнейшей поддержки системы. В профессиональной деятельности превыше всего ценит воспроизводимость результатов и хорошие процессы разработки.

Образование: Математико-Механический факультет СПбГУ, направления “Data Science” и “Software Engineering” в Computer Science Center

Преподаватель
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.

Преподаватель
Андрей Сухобок
Research Associate, Aalto University, Finland
Специалист по машинному обучению и участник проекта по анализу текстов в Институте Гайдара. Получает 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). 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.

Преподаватель
Отзывы
2
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
Курс и качество предоставляемого материала отличное, в котором собрано большое количество современных вопросов и приложении - от внедрения
кода на production, сегментация и кластеризация временных рядов, рекомендательные системы и т. д. Стоит уделить особое внимание преподавателям, который имеют большой
практический опыт и в полном объеме со всеми возможными деталями разбирают любой тему и вопрос, а также дают быстро обратную связь по домашним работам.
Иногда есть запаздывание и вопросы по домашним заданиям (видимо первый запуск курса)
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
Курс и качество предоставляемого материала отличное, в котором собрано большое количество современных вопросов и приложении - от внедрения
кода на production, сегментация и кластеризация временных рядов, рекомендательные системы и т. д. Стоит уделить особое внимание преподавателям, который имеют большой
практический опыт и в полном объеме со всеми возможными деталями разбирают любой тему и вопрос, а также дают быстро обратную связь по домашним работам.
Иногда есть запаздывание и вопросы по домашним заданиям (видимо первый запуск курса)
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
Поможем вашей компании развивать команду! Этот и еще 60+ курсов для IT-специалистов таких направлений, как: программирование, тестирование, администрирование, информационная безопасность, управление и Data Science. 300 компаний уже обучают у нас 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. Featuretools - а вы что, за меня и признаки придумывать будете?
Тема 5. H2O и TPOT - а вы что, за меня и модели строить будете?
C 19 марта
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
C 7 апреля
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
C 16 апреля
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!
C 30 апреля
Тема 18. Введение в графы: основные понятия. NetworkX, Stellar
Тема 19. Анализ графов и интерпретация. Community Detection
Тема 20. Link Prediction и Node Classification
Тема 21. Практическое занятие: Хейтеры в Twitter
C 21 мая
Тема 22. Введение в вероятностное моделирование, апостериорные оценки, сэмплирование
Тема 23. Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
Тема 24. Байесовское АB тестирование
Тема 25. Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов
Тема 26. Практическое занятие по GLM: биомедицинские кейсы
Тема 27. Байесовская логит-регрессия
Тема 28. Практическое занятие по логит-регрессии: пример применения модели в медицине
C 16 июня
Тема 29. Введение в обучение с подкреплением
Тема 30. Multi-armed bandits для оптимизации AB тестирования, от теории - сразу в бой
Тема 31. Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация
Тема 32. Markov Decision Process, Value function, Bellman equation
Тема 33. Value iteration, Policy iteration
Тема 34. Практическое занятие: медицинский кейс Markov Chain Monte Carlo
Тема 35. Temporal Difference (TD) и Q-learning
Тема 36. SARSA и Практическое занятие: финансовый кейс TD и Q-learning
C 21 июля
Тема 37. Консультация по проекту, выбор темы
Тема 38. Бонус: Поиск Data Science работы
Тема 39. Защита проектных работ
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 базовом курсе Machine Learning :
- 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: 30 августа 2021 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

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

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

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

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.
Multi-armed bandits для оптимизации AB тестирования
Андрей Канашов
День открытых дверей
19 февраля в 20:00
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!
Стоимость обучения
55 000 ₽
60 000 ₽
Продолжительность
5 месяцев
Начало занятий
26 февраля