Специальная цена
Machine Learning. Professional
Научитесь работать с важнейшими моделями машинного обучения, NLP, DL, рекомендательными системами на практике с реальными данными
31 марта
Professional
5 месяцев
Онлайн
Вт/Пт 20:00 Мск
Для кого этот курс?
- Для специалистов по Data Science, которые хотят глубоко освоить алгоритмы ML, включая нейросети и их применение для таких направлений как работа с временными рядами, построение рекомендательных систем и обработка естественного языка
- Для ML-инженеров, которые хотят углубиться в детали подготовки данных, построение автоматизацию ML-пайплайнов, оптимизацию моделей для продакшена
- Для Fullstack-разработчиков, которых интересует разработка end-to-end решений с ML-компонентами — от обучения моделей до их внедрения в интерфейс. Понимание полного цикла ML-разработки для эффективной работы в команде
- Для аналитиков и системных аналитиков, которые хотят научиться применять ML для автоматизации аналитики, прогнозирования и выявления скрытых паттернов. Генерация инсайтов с помощью ML-моделей и их интерпретация для бизнеса. Навыки внедрения ML в процессы принятия решений и продуктовую аналитику
Необходимые знания:
- базовое знакомство с Python
- базовые знания линейной алгебры, математического анализа, математической статистики
- базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия)
математический анализ и основны ML?
Посмотрите программу ДПО Machine Learning Специализация
Подходит ли эта программа именно вам?
Пройдите короткий тест, который проверяет ваше знание пререквизитов, а именно математики и Python, которые понадобятся вам на курсе
Что даст вам этот курс ?
Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Чтобы лучше закрепить навыки, вы будете практиковаться: использовать каждый алгоритм в работе с реальными данными.
Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции в Data Science.
Особенности курса
Что вы сможете после обучения:
- работать с «грязными» данными
- работать с языковыми моделями (NLP)
- прогнозировать временные ряды при помощи машинного обучения
- строить рекомендательные системы
- готовить модели в продакшн
- разрабатывать и создавать нейросетевые AI-модели
- работать с AI-моделями
- применять широкий спектр нейросетевых AI-моделей для разнообразных задач
- Обработка сетевых данных с целью обнаружения атак и их классификации
- Обнаружитель дефектов в буксовых узлах железнодорожных составов
- Влияние акций на покупки товаров
Недостаточно хардкорно? Посмотрите программы:
Machine Learning Advanced
Computer Vision
Reinforcement Learning
Natural Language Processing
Hard skills
Нейросети, PyTorch, NLP (Архитектура трансформер, BERT, RNN для работы с текстом), обучение с учителем, обучение без учителя, DB-Scan, K-means, рекуррентные сети, временные ряды, рекомендательные системы, Apache Spark
Что нового в 2025?
Процесс обучения
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
Возможность совмещать учебу с работой.Эксперты
Преподаватели из разных сфер, каждый со своим уникальным опытом.
Перспективы
Сможете претендовать на позицию Data Scientist Junior + / Middle+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 резюме в базе OTUS: так наши партнёры смогут пригласить вас на собеседование
- Посещайте карьерные мероприятия OTUS: вам расскажут, как лучше проходить собеседование
Data Scientist
Работодатели курса
Формат обучения
Интерактивные вебинары
2 занятия по 2 академ.часа в неделю.
Доступ к записям и материалам остается навсегда
Практика
Домашние задания с поддержкой и обратной связью наших преподавателей помогут освоить изучаемые технологии
Активное комьюнити
Общение с преподавателями на вебинарах, переписки в закрытом телеграм-чате, развёрнутые ответы при проверке домашних заданий
Программа
Продвинутые методы машинного обучения: обучение с учителем
Первый модуль познакомит вас с различными продвинутыми моделями машинного обучения для задач обучения с учителем (регрессия и классификация), начиная от классических методов деревьев решений и заканчивая продвинутыми методами градиентного бустинга.
Тема 1: Программа курса. Повторение основных концепций машинного обучения на примере задачи регрессии
Тема 2: Метод градиентного спуска
Тема 3: Повторение основных понятий задачи классификации на практике: EDA, cross-validation, метрики качества
Тема 4: Деревья решений
Тема 5: Ансамбли моделей
Тема 6: Градиентный бустинг
Тема 7: Метод опорных векторов
Продвинутые методы машинного обучения: обучение без учителя
Второй модуль посвящен алгоритмам для задачи обучения без учителя, в нем вы познакомитесь с различными способами кластеризации, такими как алгоритм k средних и DBSAN, методами снижения размерности и методами работы с новым типом данных - графами.
Тема 1: Методы уменьшения размерности
Тема 2: Обучение без учителя. K-means
Тема 3: Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 4: Поиск аномалий в данных
Тема 5: Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 6: Алгоритмы на графах
Тема 7: Алгоритмы на графах: продолжение
Введение в Deep Learning
В этом модуле мы коснёмся методов Deep Learning и работы с нейронными сетями. Вы узнаете принципы работы и обучения нейронных сетей, а также освоите нейросетевые архитектуры для работы с изображениями (сверточные нейросети) и последовательностями (рекуррентные нейросети).
Тема 1: Введение в нейросети
Тема 2: PyTorch (часть 1)
Тема 3: Продвинутые методы оптимизации, backpropagation и обучение нейронных сетей
Тема 4: Борьба с переобучение нейросетей, взрыв и затухание градиентов
Тема 5: PyTorch (часть 2)
Тема 6: Сверточные сети (Convolutional Neural Networks)
Тема 7: Рекуррентные сети
Сбор данных. Анализ текстовых данных
В этом модуле вы научитесь работать с одним из самых распространенных типов данных - текстом. Мы разберём различные способы предобработки текста, которые позволяют использовать его в качестве признаков для моделей машинного обучения. Мы изучим такие полезные задачи, как тематическое моделирование, распознавание именованных сущностей (NER) и работу с векторными представлениями слов. Также вы научитесь заниматься парсингом данных, который позволит вам собирать и создавать свои собственные уникальные датасеты для анализа.
Тема 1: Сбор данных
Тема 2: Предобработка и токенизация
Тема 3: Векторные представления слов, работа с предобученными эмбеддингами
Тема 4: Понятие языковой модели, RNN для работы с текстом
Тема 5: Архитектура трансформер
Тема 6: Transfer Learning. Архитектура BERT
Тема 7: Named Entity Recognition
Тема 8: Тематическое моделирование
Анализ временных рядов
В этом модуле вы познакомитесь с еще одним распространенным типом данных - временными рядами. Мы разберем как классические методы работы с временными рядами, включая ARIMA-модель, так и продвинутые способы извлечения признаков и применения машинного обучения. Также мы научимся решать задачу кластеризации, используя временные ряды, на примере финансовых котировок.
Тема 1: Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 2: Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 3: Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
Рекомендательные системы
В этом модуле мы будем работать с различными типами рекомендательных систем. Разберем постановку задачи, познакомимся с популярными метриками качества и основными видами моделей рекомендательных систем. Также мы научимся работать с одной из самых популярных питоновских библиотек для рекомендательных систем.
Тема 1: Введение в рекомендательные системы
Тема 2: Простые рекомендательные модели. Коллаборативная фильтрация
Тема 3: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 4: Методы матричной факторизации
Тема 5: Практическое занятие по рекомендательным системам
Тема 6: ML в Apache Spark
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 и организация проектной работы
Тема 2: Предзащита проектных работ №1
Тема 3: Предзащита проектных работ №2
Тема 4: Защита проектных работ
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:
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Ближайшие мероприятия
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.
📍 Программа вебинара:
- За пределами скользящего среднего: Разберем, почему стандартные подходы часто бессильны, и познакомимся с полным арсеналом методов для извлечения признаков – от статистических и временны́х до спектральных и доменных.
- Частотная область: Рассмотрим как преобразование Фурье и Вейвлет-преобразование превращают временной ряд в композицию из частот и позволяют найти скрытые закономерности временных рядов.
- Готовые библиотеки: Практический обзор инструментов (tsfresh, tsfel, и другие) для автоматической генерации сотен признаков под вашу задачу.
- Live-разбор на Python: Пошагово пройдем путь от сырого ряда до обогащенного датасета: извлечем признаки, визуализируем их важность и оценим, как они влияют на качество простой ML модели.
- Ответы на ваши вопросы: Как не утонуть в тысячах признаков? Как выбрать самые информативные? Как эффективно использовать эти признаки для обучения моделей?
👥 Кому будет полезно?
- Data Scientists и ML-инженерам, которые хотят вывести качество своих прогнозных и классификационных моделей на новый уровень, перестав работать с рядами «как есть».
- Аналитикам данных в сфере IoT, финтеха, ритейла и телекома, где работа с временны́ми рядами – это ежедневная задача, требующая глубины понимания инженерии признаков.
- Начинающим специалистам по данным, которые хотят заложить правильный и профессиональный фундамент для работы с одним из самых специфических типов данных – временными рядами.
- Всем, кто хочет научиться понимать их внутреннюю структуру временных рядов и передавать это понимание модели в виде информативных признаков.
✅ Что узнаете по итогам вебинара?
- Поймете философию Feature Engineering для временны́х рядов: зачем, когда и какие признаки извлекать для разных задач (прогноз, классификация, кластеризация).
- Сможете применять на Python как автоматизированные библиотеки, так и создавать осмысленные признаки вручную для своих уникальных кейсов.
- Получите готовые код-шаблоны и чек-лист для системного подхода к обогащению любых временны́х рядов.
Присоединяйтесь, чтобы перестать пассивно смотреть на графики и начать разговаривать с временными рядами на понятном языке!
📍 Программа вебинара:
- За пределами черного ящика: Разберем, как алгоритм «изучает многомерный ландшафт» ошибок и находит путь к минимуму ошибки. Поймем, почему этот путь редко бывает прямым, и что такое осцилляции и «зигзаги» градиента.
- Скорость (шаг) обучения (Learning Rate): Узнаем, правильное управление этим параметром - главный ключ к успеху. Разберем сценарии и как найти золотую середину.
- Эволюция метода: От классического и стохастического градиентного спуска к их продвинутым «потомкам». Поймем, как они используют «инерцию» и адаптацию, чтобы стать быстрее и устойчивее.
- Примеры на Python: Увидим всё своими глазами! Разберем модельные примеры, где мы в реальном времени будем управлять параметрами и анализировать результаты.
- Ответы на ваши вопросы: Какие модификации метода градиентного спуска выбрать? Как понять, что модель сошлась, а не застряла?
👥 Кому будет полезно:
- Data scientist’ам, которые хотят заложить фундаментальное понимание того, как на самом деле «учатся» некоторые классические ML-модели и нейронные сети и, выйдя за рамки абстрактного model.fit().
- Практикующим ML-инженерам, которые хотят осознанно настраивать процесс обучения, улучшать сходимость моделей и глубже диагностировать проблемы при тренировке.
- Всем, кто готовится к собеседованиям, где вопросы о градиентном спуске, его вариациях и тонкостях — обязательная классика и освежить знания по этому вопросу необходимо обязательно.
Любознательным разработчикам и аналитикам, желающим понять философию итеративной оптимизации, которая лежит в основе не только ML, но и многих других прикладных задач.
✅ Что узнаете по итогам вебинара:
- Поймете философию и механику градиентного спуска: от вычисления производной до обновления весов модели.
- Научитесь осознанно выбирать и настраивать оптимизатор под конкретную задачу.
- Сможете диагностировать проблемы процесса обучения.
- Получите готовый код с примерами, который станет вашим мощным инструментом для интуитивного понимания сложных концепций.
Присоединяйтесь, чтобы перестать воспринимать процесс обучения моделей как «черный ящик» и начать осознанно управлять путешествием по многомерным ландшафтам ошибок!
Вы узнаете как работает перед и как легко и просто его можно адаптировать под ваши NLP задачи: разберем в теории и применим на практике для решения задачи классификации.
👥 Кому подходит этот урок:
- IT-специалистам которые хотят перейти в Data Science
- Начинающим дата-сайентистам и специалиста по машинному обучению, желающим углубиться в профессию
- Тем кто самостоятельно изучает Data Science
- Кто хочет войти в IT, но не знает что выбрать
✅ Результаты урока:
- Познакомитесь с моделью BERT
- Научитесь дообучать BERT для задач классификации
- Поймете основные принципы дообучения предобученных моделей
Прошедшие
мероприятия
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!
Этот курс может оплатить ваш работодатель
- Подробно расскажем об интересующем вас курсе
- Объясним, как договориться с работодателем
- Сообщим стоимость обучения и варианты оплаты
- Ответим на вопросы
- Предоставим шаблон договора и счёт на оплату
Отзывы
Подтверждение знаний и навыков
OTUS осуществляет лицензированную образовательную деятельность.
Вы получите сертификат о прохождении обучения, а также можете получить удостоверение о повышении квалификации.
После обучения вы:
- заберете с собой полный комплект обучающих материалов: видеозаписи всех вебинаров, презентации к занятиям и другие дополнительные материалы
- освоите все необходимые навыки, чтобы создавать модели машинного обучения
- пополните свое портфолио новыми работами для будущего работодателя
- получите сертификат о прохождении курса
Machine Learning. Professional
Полная стоимость со скидкой
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Пройдите тестирование и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Пройдите тестирование и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно