🔥 Успейте получить скидку!
Только до 27.01 можно приобрести курсы со скидкой 25%. Торопитесь!
Только до 27.01 можно приобрести курсы со скидкой 25%. Торопитесь!
SALE 25% ДО 27.01
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:
Формат:
Начало занятий:
Дни занятий:
5 месяцев
,
4
ак. часа
в
нед.
Online
26 февраля
Ср 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
Всё о курсе «Machine Learning. Advanced», 2 февраля в 20:00
На Дне открытых дверей преподаватель расскажет о программе курса, формате обучения и
перспективах для выпускников.
Формат проведения — онлайн трансляция. Участие бесплатное.
Ведет
ДмитрийСергеев
Предыдущий день открытых дверей
Извлечение признаков из временных рядов, 9 февраля в 20:00
Если на минутку представить, что временной ряд чем-то похож на аудиосигнал, то нам откроется чудесный мир новых способов генерации признаков из сферы обработки сигналов. Мы посмотрим, как дополнительные признаки улучшают качество моделей, научимся пользоваться автоматической генерацией в библиотеках tsfresh и tsfel, и решим задачку распознавания активности по данным акселерометра мобильного телефона.
Дмитрий
Сергеев
Сергеев
Предыдущий открытый вебинар
Multi-armed bandits для оптимизации AB тестирования, 15 февраля в 20:00
Мы разберем один из самых простых, но эффективных вариантов применения обучения с подкреплением. Посмотрим, как можно переформулировать задачу АБ тестирования в задачу байесовского вывода и получать результаты по тестам раньше, чем при классическом тестировании.
Андрей
Канашов
Канашов
Предыдущий открытый вебинар
Demo Day "Machine Learning. Advanced", 19 февраля в 20:00
На Дне открытых дверей преподаватель расскажет о программе курса, формате обучения и
перспективах для выпускников.
Формат проведения — онлайн трансляция. Участие бесплатное.
Дмитрий
Сергеев
Сергеев
Предыдущий день открытых дверей
Преподаватели
Отзывы
2
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.
C 26 февраля
Тема 1.
Практическое занятие Kaggle - пайплайн работы с задачей регрессии
Тема 2.
Практическое занятие Kaggle - пайплайн работы с задачей регрессии 2.0
Тема 3.
Advanced Data Preprocessing. Categorical Encodings
Тема 4.
Практическое занятие Kaggle - пайплайн работы с задачей классификации
Тема 5.
Практическое занятие Kaggle - пайплайн работы с задачей кластеризации
Тема 6.
Featuretools - а вы что, за меня и признаки придумывать будете?
Тема 7.
H2O - а вы что, за меня и модели строить будете?
Тема 8.
TPOT - а вы что, за меня и пайплайны готовить будете?
C 26 марта
Тема 9.
Production Code проекта на примере задачи классификации/регрессии, Virtual environments, dependency management, pypi/gemfury
Тема 10.
Практическое занятие - Оптимизация кода, parallelization, multiprocessing, ускорение pandas, Modin для Pandas
Тема 11.
Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 12.
Data Engineering: Flask, REST API, Docker. Локальный packaging моделей
Тема 13.
Практическое занятие по работе в проде: деплой докера в AWS
C 14 апреля
Тема 14.
Извлечение признаков. Fourier и Wavelet transformation, Automatic Feature generation - tsfresh
Тема 15.
Unsupervised подходы: Кластеризация временных рядов
Тема 16.
Unsupervised подходы: Сегментация временных рядов
C 23 апреля
Тема 17.
Рекомендательные системы 1. Explicit feedback
Тема 18.
Рекомендательные системы 2. Implicit feedback
Тема 19.
Задача ранжирования - Learning to rank
Тема 20.
Практическое занятие по рекомендательным системам. Surpsise!
C 7 мая
Тема 21.
Введение в графы: основные понятия. NetworkX, Stellar
Тема 22.
Анализ графов и интерпретация. Community Detection
Тема 23.
Link Prediction и Node Classification
Тема 24.
Практическое занятие: Хейтеры в Twitter
C 21 мая
Тема 25.
Введение в вероятностное моделирование, апостериорные оценки, сэмплирование
Тема 26.
Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
Тема 27.
Байесовское АB тестирование
Тема 28.
Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов
Тема 29.
Практическое занятие по GLM: биомедицинские кейсы
Тема 30.
Байесовская логит-регрессия
Тема 31.
Практическое занятие по логит-регрессии: пример применения модели в медицине
C 16 июня
Тема 32.
Введение в обучение с подкреплением
Тема 33.
Multi-armed bandits для оптимизации AB тестирования, от теории - сразу в бой
Тема 34.
Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация
Тема 35.
Markov Decision Process, Value function, Bellman equation
Тема 36.
Value iteration, Policy iteration
Тема 37.
Практическое занятие: медицинский кейс Markov Chain Monte Carlo
Тема 38.
Temporal Difference (TD) и Q-learning
Тема 39.
SARSA и Практическое занятие: финансовый кейс TD и Q-learning
C 14 июля
Тема 40.
Консультация по проекту, выбор темы
Тема 41.
Бонус: Поиск Data Science работы
Тема 42.
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
- 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.
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.
№ 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.
Кластеризация временных рядов
Дмитрий Сергеев
День открытых дверей
12 ноября 2020 года в 14:00
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!
Напомнить пройти тест
Партнеры ждут выпускников этого курса
Больше
