Machine Learning. Продвинутый курс | OTUS
👋 Канал OTUS в Telegram!
Посты от приглашенных гостей из IT-тусовки, полезные статьи, подборки вакансий от партнеров ➞
Подробнее

Курсы

Программирование
Разработчик игр на Unity
-40%
Vue.js разработчик
-40%
React.js разработчик
-40%
Архитектор программного обеспечения
-40%
Архитектура и шаблоны проектирования
-40%
Разработчик C++
-40%
Разработчик Node.js
-40%
Scala-разработчик
-30%
Backend-разработка на Kotlin
-30%
Программист 1С
-30%
Symfony Framework
-30%
Разработчик на Spring Framework
-20%
Разработчик Golang
-25%
C# ASP.NET Core разработчик
-25%
iOS-разработчик. Базовый курс
-25%
VOIP инженер Базы данных AWS для разработчиков Cloud Solution Architecture Agile Project Manager в IT Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Специальная цена

Machine Learning. Продвинутый курс

Курс для практикующих Data Science специалистов, желающих повысить свой профессиональный уровень до Middle/Senior.
Практико-ориентированный подход и реальные задачи для создания своего портфолио.

Длительность обучения:

Формат:

Начало занятий:

Дни занятий:

5 месяцев

4 ак. часа в нед.

Online

28 августа

Ср 20:00, Пт 20:00

Что даст вам этот курс

Основная цель данной программы - подготовка к Middle/Senior Data Science позиции. Мы наполнили курс большим количеством практических примеров, полезных приёмов и дополнительных тем, которые позволят вам уверенно себя чувствовать на ведущих позициях и справляться даже с нестандартными задачами.

Самая интересная особенность - наш подход к практическим занятиям. Почти каждое такое занятие проходит в формате Live coding, где преподаватель начинает с “чистого листа” - пустого Jupyter ноутбука, имея на руках лишь постановку задачи 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.

Курс значительно расширяет 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.

Наконец, Data Science - это не только про fit-predict моделей, даже с учетом понимания теории, но и про настройку вашего окружения, оптимизацию кода, построение end-to-end пайплайнов и внедрение решений. Поэтому мы посвятили отдельный модуль работе в production.

Для кого этот курс:
Для аналитиков, программистов и Data Science специалистов, практикующих машинное обучение. Наш курс даёт концентрированную выжимку из теории и практики, которая позволит вам значительно расширить свои возможности и продвинуться дальше по карьерному пути.

После прохождения курса слушатели смогут:
  • 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

  • И многое другое
Моделируем распространение COVID-19, 14 июля в 20:00
Узнаем, как создавать графы и работать с ними в библиотеке NetworkX, а также как смоделировать распространение инфекции по сети мировых аэропортов. Посмотрим, как особенности сети влияют на вероятности переноса инфекции и какие выводы из этого можно сделать.
Репозиторий - https://github.com/DmitrySerg/COVID-19
Ведет
Дмитрий
Сергеев

Преподаватели

Дмитрий Сергеев
Senior Data Scientist в Oura
Дмитрий Музалевский
Lead Data Scientist в Koerber Digital
Анастасия Гайдашенко
Разработчик-аналитик в Яндекс.Поиск
Антон Лоскутов
Data Scientist в Mail.Ru Group
Андрей Сухобок
Research Associate, Aalto University, Finland
Андрей Канашов
Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Senior Data Scientist-ом в компании ŌURA Health Oy.
Работал в компании ZeptoLab, где занимался всеми проектами, связанными с машинным обучением. Получает степень магистра в университете Aalto в Финляндии.

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 Aalto University

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

Руководитель программы
Более 7 лет опыта в области анализа данных и машинного обучения. Опыт работы и проектов в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в компании Koerber Digital GmbH, Берлин. Занимает позицию Lead Data Scientist и ведет работу команды, занимающейся аналитикой больших объемов данных и машинным обучением для производственных предприятий и B2B-компаний.

Образование: бакалавриат МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; магистратура НИУ МАИ "Математические методы в экономике и маркетинге".

Преподаватель
Разработчик-аналитик в Яндекс.Поиске, выпускница СПбАУ РАН по специальности Machine Learning and Data Analysis. Занималась R&D в Cisco, JetBrains, а также стартапах в области healthcare, ритейла и computer vision. Ментор образовательных проектов Learn IT, Girl! и Django Girls.

Интересуется устойчивым развитием и ответственностью в области технологий.

Преподаватель
Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Сейчас заканчивает 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.

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
Дмитрий
Сергеев
Дмитрий
Музалевский
Анастасия
Гайдашенко
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.
Работал в компании ZeptoLab, где занимался всеми проектами, связанными с машинным обучением. Получает степень магистра в университете Aalto в Финляндии.

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 Aalto University

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

Руководитель программы
Дмитрий Музалевский
Lead Data Scientist в Koerber Digital
Более 7 лет опыта в области анализа данных и машинного обучения. Опыт работы и проектов в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в компании Koerber Digital GmbH, Берлин. Занимает позицию Lead Data Scientist и ведет работу команды, занимающейся аналитикой больших объемов данных и машинным обучением для производственных предприятий и B2B-компаний.

Образование: бакалавриат МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; магистратура НИУ МАИ "Математические методы в экономике и маркетинге".

Преподаватель
Анастасия Гайдашенко
Разработчик-аналитик в Яндекс.Поиск
Разработчик-аналитик в Яндекс.Поиске, выпускница СПбАУ РАН по специальности Machine Learning and Data Analysis. Занималась R&D в Cisco, JetBrains, а также стартапах в области healthcare, ритейла и computer vision. Ментор образовательных проектов Learn IT, Girl! и Django Girls.

Интересуется устойчивым развитием и ответственностью в области технологий.

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. Сейчас заканчивает 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.

Преподаватель
Андрей Канашов
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
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).
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
C 28 августа
Тема 1. Практическое занятие Kaggle - пайплайн работы с задачей регрессии
Тема 2. Advanced Data Preprocessing. Categorical Encodings
Тема 3. Практическое занятие Kaggle - пайплайн работы с задачей классификации
Тема 4. Практическое занятие Kaggle - пайплайн работы с задачей кластеризации
Тема 5. Featuretools - а вы что, за меня и признаки придумывать будете?
Тема 6. H2O - а вы что, за меня и модели строить будете?
Тема 7. TPOT - а вы что, за меня и пайплайны готовить будете?
C 23 сентября
Тема 8. Production Code проекта на примере задачи классификации/регрессии, Virtual environments, dependency management, pypi/gemfury
Тема 9. Практическое занятие - Оптимизация кода, parallelization, multiprocessing, ускорение pandas, Cython, Modin для Pandas
Тема 10. Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 11. Data Engineering: Flask, REST API, Docker. Локальный packaging моделей
Тема 12. Практическое занятие по работе в проде: деплой докера, online training
C 9 октября
Тема 13. Извлечение признаков. Fourier и Wavelet transformation, Automatic Feature generation - tsfresh
Тема 14. Unsupervised подходы: Кластеризация временных рядов
Тема 15. Unsupervised подходы: Сегментация временных рядов
C 21 октября
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!
C 4 ноября
Тема 20. Введение в графы: основные понятия. NetworkX, Stellar
Тема 21. Анализ графов и интерпретация. Community Detection
Тема 22. Link Prediction и Node Classification
Тема 23. Практическое занятие: Хейтеры в Twitter
C 18 ноября
Тема 24. Введение в вероятностное моделирование, апостериорные оценки, сэмплирование
Тема 25. Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
Тема 26. Байесовское АB тестирование
Тема 27. Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов
Тема 28. Практическое занятие по GLM: биомедицинские кейсы
Тема 29. Байесовская логит-регрессия
Тема 30. Практическое занятие по логит-регрессии: пример применения модели в медицине
C 11 декабря
Тема 31. Введение в обучение с подкреплением
Тема 32. Multi-armed bandits для оптимизации AB тестирования, от теории - сразу в бой
Тема 33. Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация
Тема 34. Markov Decision Process, Value function, Bellman equation
Тема 35. Value iteration, Policy iteration
Тема 36. Практическое занятие: медицинский кейс Markov Chain Monte Carlo
Тема 37. Temporal Difference (TD) и Q-learning
Тема 38. SARSA и Практическое занятие: финансовый кейс TD и Q-learning
C 8 января
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 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 learn-материалы по всем занятиям (презентации, записи вебинаров, примеры практических задач);

  • получите сертификат на русском о прохождении курса;

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

  • создадите своё портфолио проектов, которое поможет при прохождении собеседований;

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

Дата выдачи сертификата: 4 марта 2021 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine Learning. Продвинутый курс»
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. Продвинутый курс»
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.
Общая стоимость
70 000 ₽ 55 000 ₽
В месяц: 20 000 ₽
Продолжительность
5 месяцев
Начало занятий
28 августа