Курс переработан

Machine Learning. Advanced

Продвинутые ML приемы для практикующих
Data Scientists, желающих повысить свой профессиональный уровень до Middle+ 

26 декабря

Advanced

6 месяцев

Онлайн

Пн/Чт 20:00 Мск

Для кого этот курс?

  • Для аналитиков: научитесь применять методы машинного обучения в прогнозах
  • Для программистов: научитесь строить end-to-end пайплайны и выводить ML-модели в production
  • Для Data Scientist's и ML инженеровусовершенствуйте навыки и продвигайтесь по карьерной лестнице 

Необходимые знания

  • Python (pandas, sklearn, numpy)
  • Понимание базовых принципов и алгоритмов ML
  • Математический анализ (вычисление производных сложных функций)
  • Линейная алгебра (матричные операции и собственные вектора)
  • Теория вероятностей и мат. статистики (понимание дисперсии, мат. ожидания, законы распределений).

Чувствуете, что Machine Learning. Advanced – это слишком хардкорно?


Начните с Machine Learning Professional

Сравнение с курсом Machine Learning. Professional


Подходит ли эта программа именно вам?

Пройдите короткий тест, который проверяет ваше знание пререквизитов, а именно математики и питона, которые понадобятся вам на курсе

При поддержке
логотип партнера
Пройди тест и получи защиту курса

Что даст вам этот курс?

Вы изучите продвинутые методы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle+ / Senior позициях и справляться с нестандартными задачами.

После вебинара вы получаете Jupyter Notebook с разбором практического кейса с занятия. По итогу курса у вас будет обширная база знаний по каждому модулю. 

Что вы сможете после обучения:

  • Настраивать окружение и писать production код, готовый к внедрению
  • Работать с AutoML подходами и понимать ограничения в их применении
  • Понимать и уметь применять Байесовские методы и обучение с подкреплением для соответствующих задач
  • Решать сложные задачи, связанные с рекомендательными системами, временными рядами и RL, например: ранжирование, поиск одинаковых товаров, классификация изображений, динамическое ценообразования, оптимизация логистики, прогнозирование торговли и многие другие. 
Примеры тем итоговых проектов выпускников курса за 2023:
  
  • Применение обучения с подкреплением на основе алгоритма DQN в торговле фьючерсными контрактами
  • Зависимость курса российского рубля (RUR) к доллару США (USD) от стоимости нефти, никеля, алюминия, золота, пшеницы   
  • Предсказания оптических свойств молекул по их структуре: поиск новых флуорофоров в теле человека

Нужны специализированные знания?
Посмотрите направления:

Computer Vision

Reinforcement Learning

Natural Language Processing

Hard skills

Flask API, Docker,  EDA,  ARIMA / SARIMA, LSTM / GRU / Transformers, userKNN, itemKNN, SVD и ALS, sequential, session-based подходы, Community Detection, Link Prediction и Node Classification, PyMC, GLM, RL, H2O и TPOT; Библиотеки:  tsfresh и tsfel, NetworkX, Stellar

Процесс обучения

У нас нет предзаписанных уроков.
Занятия в OTUS – это вебинары.

Преподаватели-практики помогут погрузиться в теорию, обучат на реальных примерах, расскажут о необходимых в
работе инструментах.

Вы всегда сможете задать вопрос и получить исчерпывающий ответ. И самое главное – сможете практиковаться.

Учитесь онлайн отовсюду. А если вдруг пропустите занятие, просто посмотрите запись.

Оптимальная нагрузка

Совмещайте учёбу и работу, у вас получится

Эксперты

Преподаватели из разных сфер, каждый со своим уникальным опытом

Перспективы

Смело претендуйте на позиции Middle+  Data Scientist.

Партнеры

Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности.
  • Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров
  • Карьерные мероприятия в сообществе
    Публичный разбор резюме
    Публичное прохождение собеседования и воркшопы

ML engineer

Перспективы направления
Средний уровень зарплат:
100 000Junior+ специалист
200 000Middle+ специалист
350 000Senior специалист
1580
актуальных вакансий

Работодатели курса

Формат обучения

Интерактивные вебинары

2 онлайн-трансляции по 2 ак. часа в неделю. Доступ к записям и материалам остается навсегда

Практика


Домашние задания и проектная работа усилят портфолио и прокачают навыки

Активное комьюнити

Общение с преподавателями на вебинарах, переписки в закрытом телеграм-чате, развёрнутые ответы при проверке домашних заданий

Программа

Временные ряды

Данный модуль посвящен продвинутым методам работы с временными рядами. Мы разберём различные способы генерации признаков из временных рядов, а также две важные задачи, которые можно решать с таким типом данных: кластеризацию и сегментацию.

Тема 1: Извлечение признаков. Fourier и Wavelet transformation, Automatic Feature generation - tsfresh

Тема 2: Unsupervised подходы: Кластеризация временных рядов

Тема 3: Unsupervised подходы: Сегментация временных рядов

Тема 4: Прогнозирование временных рядов

Тема 5: Поиск аномалий во временных рядах

Рекомендательные системы. Задача ранжирования

В этом модуле мы будем работать с различными типами рекомендательных систем. Рассмотрим случаи явного (explicit) и неявного (implicit) фидбека, а также крайне важную для рекомендаций задачу ранжирования - learning to rank. Также мы научимся работать с одной из самых популярных питоновских библиотек для рекомендательных систем.

Тема 1: Введение в теорию рекомендательных систем и их практическое применение

Тема 2: Проблема холодного старта. Метод поиска ближайших соседей

Тема 3: SVD и ALS алгоритмы

Тема 4: Практическое занятие по рекомендательным системам. Двухуровневая модель

Тема 5: Обзор нейросетевых моделей

Bayesian Learning, PyMC

В этом модуле мы познакомимся с очень важным и полезным направлением работы с данными (и не только) - байесовским обучением. В отличие от привычных нам моделей, где мы зачастую получаем точечную оценку коэффициентов и точечные же предсказания, в байесовской парадигме мы будем работать с целыми вероятностными распределениями и получать гораздо более мощные инструменты для работы с вероятностями. Мы подробно изучим теоретическую основу байесовских методов, включая способы получения оценок распределений при помощи сэмплирования, разберём байесовский подход к АB-тестированию, а также обобщенные линейные модели (GLM), способные решать задачи регрессии и классификации.

Тема 1: Введение в вероятностное моделирование, апостериорные оценки, сэмплирование

Тема 2: Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings

Тема 3: Байесовское АB-тестирование

Тема 4: Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов

Тема 5: Практическое занятие по GLM

Тема 6: Практическое занятие по логит-регрессии

Тема 7: Байесовская сеть доверия: практическое занятие

Reinforcement Learning

Обучение с подкреплением (RL) - одно из очень перспективных направлений машинного обучения, которое находит всё больше применений на практике. Мы начнём с изучения теоретических основ RL, рассмотрим способ проведения АБ-тестов с использованием многоруких бандитов, а также разберём самые популярные алгоритмы: Markov Decision Process, Value Iteration, Policy Iteration, Temporal Difference, SARSA и Q-learning. При этом большой упор делается на практическое применение этих методов для решения реальных задач.

Тема 1: Введение в обучение с подкреплением

Тема 2: Multi-armed bandits для оптимизации AB-тестирования, от теории - сразу в бой

Тема 3: Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация

Тема 4: Markov Decision Process, Value function, Bellman equation

Тема 5: Value iteration, Policy iteration

Тема 6: Monte Carlo Methods

Тема 7: Temporal Difference (TD) и Q-learning

Тема 8: SARSA и Практическое занятие: финансовый кейс TD и Q-learning

Тема 9: Deep Q-Network (DQN) алгоритм

Тема 10: Deep Policy Gradient (PG) алгоритм

Тема 11: Actor-Critic алгоритм

Production

Модуль полностью посвящен внедрению ML-проектов в прод. Мы подробно разберём сериализацию моделей, создание API и контейнеризацию в Docker и Kubernetes.

Тема 1: Production Code проекта на примере задачи классификации/регрессии, Virtual environments, dependency management, pypi/gemfury

Тема 2: REST-архитектура: Flask API

Тема 3: Docker: Структура, применение, деплой

Тема 4: Сети и Docker compose

Тема 5: Практическое занятие по работе в проде: деплой докера в Yandex Cloud

Тема 6: Колоночные БД и объектные хранилища

Тема 7: Версионирование данных. DVC

Тема 8: Воспроизводимость и версионирование. MLFlow

Production. AutoML

В этом модуле мы научимся грамотно структурировать код production ML-проекта с использованием виртуальных оболочек и менеджеров зависимостей. Также мы познакомимся с продвинутыми методами оптимизации кода и новыми способами кодирования категориальных переменных. Мы научимся работать с самыми популярными библиотеками для AutoML, поймём их преимущества и недостатки, а также области применения на практике.

Тема 1: Практическое занятие - Оптимизация кода, parallelization, multiprocessing, ускорение pandas, Modin для Pandas

Тема 2: Advanced Data Preprocessing. Categorical Encodings

Тема 3: Featuretools - а вы что, за меня и признаки придумывать будете?

Тема 4: H2O и TPOT - а вы что, за меня и модели строить будете?

Тема 5: Поиск нечетких дублей

Тема 6: Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей

Проектная работа

Заключительный месяц курса посвящен проектной работе. Свой проект — это то, над чем интересно поработать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.

Тема 1: Выбор темы проекта

Тема 2: Предзащита проектных работ №1

Тема 3: Предзащита проектный работ №2

Тема 4: Защита проектных работ

Бонусный модуль NLP

Нейросетевые языковые модели и практические методы применения LLM и фундаментальных моделей.

Тема 1: Нейросетевые языковые модели и стратегии генерации текста

Тема 2: Машинный перевод и seq2seq

Тема 3: Архитектура Transformer и концепция attention mechanism

Тема 4: Transfer learning; BERT model

Тема 5: Генеративные языковые модели GPT3 и методы few, zero-shot learning

Тема 6: Towards ChatGPT

Тема 7: Теория промптинга LLM

Тема 8: Sentence-transformers

Тема 9: Langchain

Тема 10: RAG - генерация на основе базы знаний

Бонусный модуль Графы

В этом модуле мы научимся работать с новым типом данных - графами. Разберем самые широко используемые библиотеки: NetworkX, Stellar. Познакомимся с задачами Community Detection, Link Prediction и Node Classification.

Тема 1: Введение в графы: основные понятия. NetworkX, Stellar

Тема 2: Анализ графов и интерпретация. Community Detection

Тема 3: Link Prediction и Node Classification

Тема 4: Практическое занятие: Хейтеры в Twitter

Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит

Проектная работа


Мы стремимся, чтобы студенты выбирали темы выпускных проектов сами, а не работали по шаблонным заготовкам. Поэтому все выпускные проекты на курсе это ценные исследования для ML. О выпускных проектах наших студентов рассказывают на собеседованиях и даже пишут статьи. Вот некоторые из них:

  1. Предсказание остановок оборудования с использованием LSTM и Байесовского подхода (Habr)
  2. Обнаружение аномалий в логах информационных систем (YouTube)
  3. Анализ новостей с помощью сегментации и кластеризации временных рядов (Habr)

Преподаватели

Мария Тихонова

PhD Computer Science, Senior Data Scientist

SberDevices, ВШЭ

Игорь Стурейко

(к.ф.-м.н.) Teamlead, главный инженер

FinTech

Алексей Кисляков

(д.э.н., к.т.н.) преподаватель/ученый-исследователь

Российская академия народного хозяйства и государственной службы при Президенте РФ (Владимирский филиал)

Вероника Иванова

Data Scientist

Sber AI Lab

Андрей Канашов

Senior Data Scientist

Самолет

Петр Емельянов

CEO

Bloomtech LLC

Максим Бекетов

Аспирант

ФКН ВШЭ

Раиль Сулейманов

Machine Learning Engineer

Garage IT

Дмитрий Гайнуллин

Machine Learning Engineer

AIC

Николай Осипов

ML Engineer

Kadam

Александр Брут-Бруляко

DS инженер (к.э.н.)

Сбер GigaLegal

Виталий Сидоренко

Senior Data Scientist

Магнит

Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания

Ближайшие мероприятия

Бесплатный открытый вебинар - онлайн-занятие с преподавателем курса. На открытом вебинаре можно посмотреть, как проходит обучение, а ещё узнать что-то ценное по интересующей теме. На занятии слушатели могут задавать ведущему вопросы.

Auto feature engineering: генерация, конструирование и отбор признаков
Алексей Кисляков
Вебинар посвящен программным инструментам для автоматизации процедур препроцессинга. Рассматриваются вопросы автоматической генерации и конструирования, а также отбора информативных признаков для поставленной задачи.

👥Кому подойдет этот вебинар:
- продвинутым IT-специалистам, внедряющим ML модели в свои проекты.
- Дата-сайентистам, желающим углубиться в профессию и получить дополнительные знания.
- Тем кто самостоятельно изучает Data Science и уже освоил базовые методы препроцессинга.

❗Основные преимущества auto feature engineering:
- позволяет генерировать новые полезные признаки путём автоматизации извлечения их из датасета.
- реализует процедуры конструирования сложных признаков на основе агрегации данных и реляционных связей между несколькими таблицами данных;
- упрощает процесс отбора признаков по различным критериям и формирует стек информативных признаков для обучения модели с высокими точностными характеристиками;


🎯Результаты урока:
- познакомитесь с основными инструментами автоматизации генерации и извлечения признаков;
- познакомитесь с основными инструментами автоматизации конструирования сложных признаков.
- научитесь осуществлять автоматизированный отбор признаков;
- научитесь работать с библиотеками для auto feature engineering.

Присоединяйтесь к нам и откройте новые горизонты в мире Machine Learning! 🚀
...
17 декабря в 17:00
Открытый вебинар

Прошедшие
мероприятия

Мария Тихонова
Открытый вебинар
ML Advanced: все, что вы хотели знать о методах машинного обучения, но боялись спросить
Вероника Иванова
Открытый вебинар
Ранжирующие функции потерь в рекомендательных системах
Для доступа ко всем прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 3 дня
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!

Корпоративное обучение для ваших сотрудников

OTUS помогает развивать высокотехнологичные команды. Почему нам удаётся это делать успешно:
  • Курсы OTUS верифицированы крупными игроками ИТ-рынка и предлагают инструменты и практики, актуальные на данный момент
  • Студенты работают в группах, могут получить консультации не только преподавателей, но и профессионального сообщества
  • OTUS проверяет знания студентов перед стартом обучения и после его завершения
  • Простой и удобный личный кабинет компании, в котором можно видеть статистику по обучению сотрудников
  • Сертификат нашего выпускника за 5 лет стал гарантом качества знаний в обществе
  • OTUS создал в IT более 120 курсов по 7 направлениям, линейка которых расширяется по 40-50 курсов в год

Отзывы

Илья Мушкин

04.09.2024
До обучения (как и во время, так и после) работал на позиции математика-разработчика. Выбрал курс, так как курсы OTUS были в списке рекомендованных от работы для внешнего обучения. Из рекомендованных программа данного курса больше всего сочеталась с моей специальностью. Понравилось удобство обучения: лëгкий доступ к материалам курса и формат вебинаров. Хороший перечень тем, что позволяет разобраться и порешать задачи на практике в различных областях. Обучение дало базовый опыт и понимание подходов в некоторых областях, с которыми за свою практику не особо сталкивался (RecSys, RL, Байесовские методы), несколько простых проектов в виде домашек, неплохую основу для большого проекта в виде проектной работы

Руслан Ахметвалеев

03.06.2024
Я закончил ML Advanced. Когда я выбирал курс, я работал в стартапе, разрабатывающем ML решения для медицинского центра. Мы очень щепетильно выбирали курс под новые для нас задачи в проекте, а именно: временные ряды, обучение с подкреплением, продакшн, в том числе AutoML. Крайне интересной темой оказался модуль про графы. И много вызвал вопросы модуль про Байесовский подход. Я даже купил отдельно учебник для погружения в него. Сам подход заставляет думать по-другому и пока нет уверенности, что понимаешь его на глубинном уровне. Мне очень понравился педагогический подход Марии Тихоновой, руководителя курса. Ее помощь с дипломом была очень кстати. Очень запомнились преподаватели Игорь Стурейко и Андрей Канашов, который ведет RL. И хочу благодарность и признательность выразить наставнику, Артему Червякову, который проверял наши домашние работы. Его развернутая обратная связь была очень ценна и полезна. Обучение на курсе мне помогло не только реализовать проект на текущей работе, но также сменить работу и попасть в крупный ML проект. Сейчас у меня планы сфокусироваться на новом проекте. По рабочим вопросам я пересматриваю некоторые лекции и с каждым новым просмотром обращаю внимание на новые детали.

Александр Кислицын

20.05.2024
Курс помог определить направления обработки данных системы управления производством у меня на работе и провести эксперимент с прогнозированием важных производственных данных для применения в качестве рекомендаций работникам. Появились новые идеи по обработке данных мониторинга серверной инфраструктуры.

Александр Аксенов

01.05.2024
Спасибо за амбициозный курс и за то, как собрали сплочённую команду преподавателей и студентов! Для человека в поиске работы, это критически важный опыт общения со специалистами.

Олег Николаев

20.11.2023
Я работаю аналитиком данных, учился в Сколтехе. Понравилось в курсе то, что мы охватили множество тем, большой круг различных задач, которые удалось рассмотреть. Не понравилось то, что иногда преподаватели, как мне показалось, недостаточно глубоко разбирались в некоторых аспектах тем. На мой взгляд, в домашках нас не сильно нагружали, они были не слишком сложные. Мне не понравилось, что нам иногда говорили: «Вы можете сами, при желании, копнуть глубже».    Обучение дало понимание областей ML, в которых я не работал. Мне удалось повысить свой уровень, выполнив финальный проект. Нужно было разобраться в той теме, в которой мне и хотелось научиться разбираться – вывод моделей в прод. В целом хочу сказать спасибо за курс, хотя я считаю, что курсу есть куда расти - у меня остались скорее положительные впечатления, нежели чем негативные.

Екатерина Самойлова

15.11.2023
Курсы считаю полезными и интересными, все очень сильно зависело от преподавателя. Было интересно слушать Веронику Ивановну по рекомендательным системам, Максим Бекетов отлично рассказал теорию по Байесу, прям на пальцах разложил. Андрей Канашов во время лекции задает аудитории вопросы, что позволяет больше вовлечься в процесс и не отключаться на лекции. Домашние задания были очень разнообразными и увлекательными, я с удовольствием разбиралась и решала. Хочу отметить, что была отличная проверка домашнего задания от Артема Червякова, он мне такую обратную связь давал крутую, помогал разобраться и вообще очень тщательно проверял домашнюю работу. Но иногда не хватало ответов от самих преподавателей, например, приходила даже в личку к Максиму Бекетову, он не ответил, в общем чате тоже тишина. Как-то создается ощущение, что ты одиночка на курсах и только человек, который проверяет домашку - помогал не бросить курс. И понимаю, что есть плюсы, и минусы от смены преподавателя. Но по Байесу получилось, что два преподавателя повторили одну и туже теорию. Повторение - мать учения, но как-то хотелось бы именно на таких курсах отсутствия дублирования информации. Еще показалось, что не хватает предварительной информации перед следующей лекцией, какие определения, формулы или что посмотреть. Может даже заранее загруженный ноутбук/ссылка на колаб, чтобы можно было позагружать, потыкать и посмотреть. Потому что хотелось бы больше задать вопросов лектору, на лекции ты пока вникнешь – а на следующей уже может быть другой преподаватель. Впрочем, они не так часто менялись, но все же. Так я ушла с багажом знаний и очень довольна. Преподавателям большое спасибо за такой труд, понимаю, это все очень непросто. В будущем хотелось бы чуть больше активности.

Сергей Паршин

12.11.2023
Я работаю в роли руководителя цифровых проектов (обычно математических и насыщенных инженерными расчётами). Учился по Data Science в МФТИ, у разработчиков Sci-kit learn, Stepik, ODS. Базовые образование - инженерное в МГТУ им. Н.Э.Баумана. Выбрал этот курс, так как интересны были темы по обработке TineSeries данных, Баесовским методам, Reinforcement learning. Не понравилось, что основные материалы и используемые библиотеки были устаревшими. Понравилась возможность напрямую написать / обсудить тему с преподавателем и возможность сдать ДЗ (и его обсудить) в любой момент. Курс пока что дал мне расширение знаний и возможностей по работе с данными, покрытие разных областей Data Science. Обычно специалист по Data Science специализируется на определённой специфике Науки о данных. Взгляд на соседние области расширяет картину возможных решений и их применимость в различных задачах «в бою».

Татьяна Коренькова

12.11.2023
OTUS представил уникальный курс по машинному обучению, аналогов которому я не нашла ни на одной другой платформе, так как тут освещается очень много нетривиальных тем для продвинутого обучения: и рекомендательные системы, и графы, и временные ряды, и ML OPS, и обучение с подкреплением, и даже дополнительная математика. Это отличный стартовый набор для того, чтобы двигаться в любое интересующее направление, и я для себя нашла очень много интересных тем и идей для развития. Плюс ко всему, очень выгодные и удобные условия, есть большой простор для творчества при выполнении ДЗ и итогового проекта. Преподаватели и проверяющие домашние задания всегда готовы прийти на помощь и подробно все объяснить и рассказать. Также есть возможность опубликовать статью на habr, получить карьерные консультации и сильно прокачать свое резюме, так как задания действительно сложные и нешаблонные. В принципе никаких замечаний нет, разве что не всегда весь материал с занятий был понятен и подробно объяснен с самого начала, но тут скорее из-за ограничений по времени и недостаточности базовой подготовки. Возможно, было бы полезно добавить небольшой блок по NLP :)

Павел Подстрешный

10.11.2023
Я Data Scientist по образованию. Из курсов учился ранее на степике, на курсера и в скиллбокс. Выбрал курс Machine Learning Advanced в OTUS, т.к. он отвечает моим запросам. Понравилась подача материала от лекторов (хотя не у всех это получалось), домашние задания, подробная обратная связь от проверяющих домашние задания. Обучение дало мне дополнительный стимул в развитии, расширило понимание Data Science, ответило на многие вопросы. Думаю, новые изменения в работе еще будут позже.

Андрей Шитов

28.09.2023
В OTUS пришел проверить и расширить свои знания, т.к. ML я учил самостоятельно по книгам и другим курсам. В курсе Advanced ML OTUS рассматривается интересный набор тем, развивающий кругозор людей уже знакомых с машинным обучением. Мне было интересно послушать про временные ряды, рекомендательные системы, Bayesian ML и Reinforcment Learning. Курс состоит из 7 блоков, в каждом из которых высокоуровнево рассматривается отдельная тема. Для глубокого рассмотрения почти каждой из них потребовался бы отдельный курс, поэтому обычно дается общий обзор, а также изучается один или несколько основных алгоритмов по этой теме. Мне наиболее интересно было слушать те лекции, где преподавателям удавалось погрузиться в тему как можно глубже теоретически и при этом успеть показать как она применяется на практике. Здорово, что часть преподавателей занимаются промышленным ML (работа связяна с ML), это позволяет узнать что такое data scientiest/engineer/researcher из первых уст. Обычно я задавал вопросы про проекты и профессиональную деятельность преподавателей, думаю, было бы здорово если материал, где преподаватели рассказывают про свои проекты и особенности профессии, входил в курс. Если говорить о недоработках могу ометить следующее:  Курс начинается с довольно технического и скучного блока про инфраструктурные вещи и AutoML и излагается в довольно сухой манере. Хочется отметить следующих преподавателей: Борис Цейтлин, Мария Тихнонова, Александр Миленькин и Максим Бекетов (5+, очень классно рассказывает). Их было реально интересно слушать и видно что они разбираются в предмете. В конце курса нужно реализовать полноценный ML-проект по одной из пройденных тем. Рекомендую вновь пришедшим на курс выбирать тему как можно раньше и закладывать больше времени под реализацию.

Mark Mzhachikh

18.02.2022
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.

Владислав Лещинский

22.12.2021
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.

IGOR GARAEV

11.11.2020
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.

Сергей Новожилов

11.11.2020
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

Сертификат о прохождении курса

OTUS осуществляет лицензированную образовательную деятельность. В конце прохождения курса вы получите сертификат OTUS и УПК (удостоверение повышения квалификации).

После обучения вы:

  • Заберёте полный комплект обучающих материалов: видеозаписи вебинаров, презентации к занятиям
  • Разработаете ценный для индустрии проект
  • Повысите личную конкурентоспособность как IT-специалист
  • Получите сертификат об окончании курса

Частые вопросы

Почему OTUS?
Мы обучаем IT-сотрудников уже 6 лет, через OTUS прошли 20 000 студентов. Специализируемся на программах для людей с опытом, а ещё – быстро переформатируем учебные программы под изменения в сфере информационных технологий.
Что является наиболее ценным по мнению выпускников курса?
На курсе «Machine Learning. Advanced» вы получите знания, которые можно сразу же применить в работе. Наши преподаватели развёрнуто анализируют домашние задания, активно общаются со студентами в телеграм-чатах и на вебинарах, помогают с выпускными проектами.
Обязательно ли выполнять и защищать выпускной проект?
Для получения сертификата OTUS и УПК (удостоверение повышения квалификации государственного образца) необходимо сдать проект. Кроме того, проект необязательно защищать перед аудиторией, а можно сдать в чате с преподавателем. Для получения УПК также понадобится предъявить документ об образовании.
Обязательно ли выполнять все домашние задания?
Да, если хотите хорошо отточить навыки. На курсе будут практические домашние задания, их выполнение занимает примерно 2-3 часа.
Помогаете ли вы с трудоустройством после курса?
В Otus Club проводятся вебинары на тему трудоустройства, разбор резюме, прохождения собеседований, особенности реферальных программ при найме. Также обратим ваше внимание, что преподаватели курса занимают ведущие позиции в разных компаниях. Будьте активны, выполняйте домашние задания, стройте network с сокурсниками и преподавателями, и вам будет проще найти работу, расширив свои контакты.
Смогу ли я совмещать учебу с работой?
Да. Программа курса рассчитана на студентов, у которых мало времени. Раз в модуль мы даём домашние задания, а лекции проводим дважды в неделю.
Что, если в середине курса я не смогу продолжать обучение?
Вы можете бесплатно перейти в другую группу. Но только один раз.
Я могу вернуть деньги?
Да, мы можем вернуть деньги за то время курса, которое вы ещё не успели отучиться. Например, если курс длится пять месяцев, а вы отучились один, мы вернём деньги за оставшиеся четыре месяца.
Может ли мой работодатель оплатить курс?
Да. Когда свяжетесь с нашим менеджером, уточните, что оплачивать курс будет ваш работодатель.
Остались вопросы?
Оставляйте заявку и задавайте вопросы менеджеру, команда курса с ним на связи и постарается дать вам исчерпывающую информацию.