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

Курсы

Программирование
C# Developer. Professional PHP Developer. Professional Web-разработчик на Python PHP Developer. Basic Специализация PHP Developer
-25%
Алгоритмы и структуры данных Unreal Engine Technical Game Design C# ASP.NET Core разработчик Python Developer. Basic Базы данных Архитектура и шаблоны проектирования Python Developer. Professional Agile Project Manager JavaScript Developer. Basic React.js Developer C++ Developer. Professional Android Developer. Professional Android Developer. Basic Java Developer. Basic MS SQL Server Developer Framework Laravel Разработчик программных роботов (RPA) на базе UiPath и PIX Team Lead Специализация Java и Архитектор ПО Symfony Framework Программист С HTML/CSS C++ 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.

Формат:

Online

Начало занятий:

29 ноября

Дни занятий:

Ср 20:00, Пн 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
Demo Day "Machine Learning. Advanced", 2 ноября в 18:00
На Дне открытых дверей преподаватель расскажет о программе курса, формате обучения и перспективах для выпускников. Формат проведения — онлайн трансляция. Участие бесплатное.
Ведет
Мария
Тихонова
Предыдущий день открытых дверей
Интенсив "Деплой ML модели: от грязного кода в ноутбуке к рабочему сервису. День 1., 22 ноября в 20:00
ML модели могут принести много пользы. Но только если не останутся навсегда в ноутбуках дата сайентистов. На занятии мы рассмотрим, как сделать код модели удобным и поддерживаемым с помощью пайплайнов, как сохранять обученные модели на диск, а так же как развернуть модель в качестве микросервиса. Всё это позволит нам перейти от набросков в ноутбуке к приносящему пользу сервису.
Борис
Цейтлин
Предыдущий открытый вебинар
Интенсив "Деплой ML модели: от грязного кода в ноутбуке к рабочему сервису. День 2., 23 ноября в 20:00
На этом практическом занятии вам нужно будет превратить чужой код модели в работающий микросервис. Для этого вы примените полученные в первом занятии (ссылка) знания: о пайплайнах.
Борис
Цейтлин
Предыдущий открытый вебинар

Преподаватели

Мария Тихонова
Senior Data Scientist Сбер, преподаватель ВШЭ
Дмитрий Сергеев
Senior Data Scientist в Oura
Александр Миленькин
Максим Пантелеев
Андрей Дзись
Борис Цейтлин
Михаил Марюфич
Старший разработчик, OK.ru
Фаррух Кушназаров
Ping'an- iTutorGroup, Sr. Data Scientist
Максим Мигутин
Антон Лоскутов
Data Scientist в Mail.Ru Group
Андрей Сухобок
Research Associate, Aalto University, Finland
Андрей Канашов
Data Scientist в OMD OM GROUP
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.

Руководитель программы
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

Data Scientist в Gero,ранее Биоинформатик в Insilico Medicine и Аналитик в РЖД.
Выпускник МФТИ

Дополнительно не по DS:
Эксперт по Web-разработке в Jet Brains.
Победитель нескольких хакатоном по DS/ML

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".

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
Разрабатывает инфраструктуру для машинного обучения.

Имеет опыт реализации систем машинного обучения от формулировки проблемы до выкатки в промышленную эксплуатацию и дальнейшей поддержки системы.

В профессиональной деятельности превыше всего ценит воспроизводимость результатов и хорошие процессы разработки.

Выступает с докладами на конференциях -- HighLoad++, SmartData, DataFest, etc.

- 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
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 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.

Преподаватель
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
Мария
Тихонова
Дмитрий
Сергеев
Александр
Миленькин
Максим
Пантелеев
Андрей
Дзись
Борис
Цейтлин
Михаил
Марюфич
Фаррух
Кушназаров
Максим
Мигутин
Антон
Лоскутов
Андрей
Сухобок
Андрей
Канашов

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.

Руководитель программы
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

Александр Миленькин
Data Scientist в Gero,ранее Биоинформатик в Insilico Medicine и Аналитик в РЖД.
Выпускник МФТИ

Дополнительно не по DS:
Эксперт по Web-разработке в Jet Brains.
Победитель нескольких хакатоном по DS/ML

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".

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
Старший разработчик, OK.ru
Разрабатывает инфраструктуру для машинного обучения.

Имеет опыт реализации систем машинного обучения от формулировки проблемы до выкатки в промышленную эксплуатацию и дальнейшей поддержки системы.

В профессиональной деятельности превыше всего ценит воспроизводимость результатов и хорошие процессы разработки.

Выступает с докладами на конференциях -- HighLoad++, SmartData, DataFest, etc.

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 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
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.

Преподаватель
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
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
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

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.
C 29 ноября
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 20 декабря
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 12 января
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 24 января
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
C 9 февраля
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
C 28 февраля
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 сеть доверия: практическая занятия
Тема 29. Практическое занятие по логит-регрессии
C 30 марта
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
C 2 мая
Тема 39. Консультация по проекту, выбор темы
Тема 40. Бонус: Поиск Data Science работы
Тема 41. 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 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: 3 июня 2022 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.
Multi-armed bandits для оптимизации AB тестирования, от теории - сразу в бой
Андрей Канашов
День открытых дверей
4 августа 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
75 000 ₽
Продолжительность
5 месяцев
Начало занятий
29 ноября