Machine Learning. Продвинутый курс | OTUS
⚡ Открываем подписку на курсы!
Проходите параллельно 3 онлайн-курса в месяц по цене одного.
Подробнее

Курсы

Программирование
iOS Разработчик. Продвинутый курс Программист 1С Реверс-инжиниринг. Продвинутый курс
-16%
Java Developer. Professional
-17%
JavaScript Developer. Professional
-18%
Flutter Mobile Developer
-15%
MS SQL Server Developer
-14%
Unity Game Developer. Basic
-19%
Супер-практикум по использованию и настройке GIT
-18%
Супер-интенсив "СУБД в высоконагруженных системах"
-18%
Web-разработчик на Python
-11%
Backend-разработчик на PHP
-8%
PostgreSQL
-10%
Базы данных
-19%
Android-разработчик. Базовый курс Разработчик Python. Продвинутый курс Разработчик на Spring Framework AWS для разработчиков Cloud Solution Architecture CI/CD Vue.js разработчик Разработчик Node.js Scala-разработчик Супер - интенсив по Kubernetes Symfony Framework Advanced Fullstack JavaScript developer
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Machine Learning. Продвинутый курс

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.

В ноябре

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.

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.

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
Дмитрий Музалевский
Lead Data Scientist, Берлин
Антон Захаренков
Анастасия Гайдашенко
Разработчик-аналитик в Яндекс.Поиск
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.
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

Более 8 лет опыта в области анализа данных и машинного обучения в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в медицинской сфере, занимаясь проблемами обработки звуковых сигналов и улучшением слуховых аппаратов. На позиции Lead Data Scientist ведет работу команды по аналитике больших объемов данных, машинным и глубоким обучением полного цикла.

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

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.

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.

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.

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.

Дмитрий
Сергеев
Дмитрий
Музалевский
Антон
Захаренков
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

Дмитрий Музалевский
Lead Data Scientist, Берлин
Более 8 лет опыта в области анализа данных и машинного обучения в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в медицинской сфере, занимаясь проблемами обработки звуковых сигналов и улучшением слуховых аппаратов. На позиции Lead Data Scientist ведет работу команды по аналитике больших объемов данных, машинным и глубоким обучением полного цикла.

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

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.

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.

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.

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.

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.
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. IEEE-CIS Fraud Detection - разбор Kaggle соревнования
Тема 5. Featuretools - а вы что, за меня и признаки придумывать будете?
Тема 6. H2O,TPOT, Auto-sklearn и AutoGluon - а вы что, за меня и пайплайны готовить будете?
C 25 сентября
Тема 7. Production Code проекта на примере задачи классификации/регрессии, Virtual environments, dependency management, pypi/gemfury
Тема 8. Практическое занятие Kaggle - пайплайн работы с задачей кластеризации
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 14 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 23 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 13 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 27 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 23 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 3 февраля
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 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: 1 июня 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.
Прошедшие открытые вебинары по курсу
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.
Пайплайн работы с задачей ML
Дмитрий Сергеев
Моделируем распространение COVID-19
Дмитрий Сергеев
Партнеры ждут выпускников этого курса