Неделя кибер-студента!
Только на этой неделе — дополнительные скидки на обучение в честь Дня студента! Подробности в чате.

Подробнее

help@otus.ru +7 499 110-61-65

Рекрутерам Отзывы FAQ Блог Контакты

+7 499 110-61-65

Machine learning

Best Practice по машинному обучению для успешной карьеры в Data Science. Курс для людей со знанием высшей математики и знакомых с Python. Подготовка к соревнованиям на Kaggle.

Подойдет ли мне этот курс?

Обучение сотрудников

Длительность

5 месяцев

Начало

28 февраля

Занятия

Пт 20:00, Пн 20:00

Общая стоимость

50 000 ₽

В месяц

12 500 ₽

В кредит:

12500 ₽ в месяц

Общая стоимость

50 000 ₽

В месяц: 12 500 ₽

В кредит: 50000 ₽

в месяц

Продолжительность

5 месяцев, 4 академ. часа в неделю

Пт 20:00, Пн 20:00

Начало занятий

28 февраля

Что даст вам этот курс

За 5 месяцев мы последовательно познакомимся с современными методами анализа данных. Курс позволит не просто поверхностно изучить принципы работы алгоритмов машинного обучения, а на профессиональном уровне освоить и применять в работе все этапы работы с данными, понимая, как, когда и зачем они используются.

Проекты для портфолио
В процессе обучения студенты разработают несколько мощных проектов для портфолио, которые обязательно оценят потенциальные работодатели, и научатся грамотно презентовать результаты своих работ.

Дополнительные преимущества
В программу также входит изучение редких и важных тем, которые обычно упускаются из внимания других курсов, но очень ценятся работодателями:
— построение систем для автоматического поиска аномалий;
— Machine Learning для прогнозирования временных рядов;
— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production
— Подготовка к соревнованиям на Kaggle

Для кого этот курс
Профессиональная программа разработана специально для разработчиков и аналитиков, которые хотят значительно расширить свои возможности и получить необходимый набор знаний и навыков для смены своей профессии.

Как я взял золото на Kaggle. Разбор задач, 6 февраля в 20:00

На бесплатном вебинаре Валерий Бабушкин (Competitions Grandmaster на Kaggle, top 30) разберёт несколько задач с соревнований, на которых он взял золото, и поделится секретами побед.

Задачи:
- IEEE kaggle camera identification;
- carvana masking challenge.

А также вы сможете задать любые вопросы по Machine learning и выяснить всё, что хотели узнать, но боялись спросить!

Ведет

Валерий
Бабушкин

Предыдущий открытый вебинар

Анализ текстовых данных: тематическое моделирование комментариев Вконтакте, 17 февраля в 20:00

На бесплатном вебинаре вы изучите:
- препроцессинг грязных данных;
- использование модели LDA;
- визуализацию топиков;
- построение тематический профилей.

А также сможете задать любые вопросы по Machine learning и выяснить всё, что хотели узнать, но боялись спросить!

Дмитрий
Сергеев

Предыдущий открытый вебинар

Всё о курсе «Machine Learning», 24 февраля в 20:00

День Открытых Дверей — отличная возможность задать все вопросы по Machine learning, узнать подробнее о программе курса, особенностях онлайн-формата, навыках, компетенциях и перспективах, которые ждут выпускников после обучения.

Также преподаватель расскажет о себе и своём профессиональном опыте. Запишитесь на онлайн-трансляцию и задайте свой вопрос в прямом эфире!

Дмитрий
Сергеев

Предыдущий день открытых дверей

Преподаватели

Дмитрий Сергеев

Senior Data Scientist в Oura

Программирую и практикую анализ данных с 2012 года. Последние 3 года работал Data Scientist в компании ZeptoLab, где занимался всеми проектами, связанными с машинным обучением. В настоящий момент получаю 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

Руководитель программы

Дмитрий
Сергеев

Дмитрий
Музалевский

Валерий
Бабушкин

Андрей
Сухобок

Антон
Лоскутов

Преподаватели

Дмитрий Сергеев

Senior Data Scientist в Oura

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

Валерий Бабушкин

Директор по моделированию и анализу данных в X5 Retail Group/советник в Yandex

Валерий Бабушкин входит в ТОП-30 лучших специалистов по Data Science в мире по рейтингу Kaggle.

Работает директором по моделированию и анализу данных в X5 Retail Group, является советником в Яндексе, а также преподает в ВШЭ введение в Data Science.

Активный участник и победитель соревнований Kaggle, имеет статус Competitions Grandmaster.

После учебы в Московском политехе (тогда — МИХМ) окончил магистратуру по мехатронике Университета прикладных наук в Карлсруэ (Германия).

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

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.

Проводит лекции по машинному обучению в проекте Open Data Science. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.

Преподаватель

Для прохождения программы необходимы:
— навыки программирования на Python (опыт написания собственных функций),
— 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, нормального закона распределения).

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.

Подробная программа PDF 191 kb

Программа обучения

Модуль 1

Основные методы машинного обучения

Модуль 2

Продвинутые методы машинного обучения

Модуль 3

Рекомендательные системы. Анализ текстовых данных, графов и временных рядов.

Модуль 4

Big Data & нейронные сети

Модуль 5

Подготовка к соревнованиям kaggle

Модуль 6

Проектная работа

Подробная программа PDF 191 kb

Основные методы машинного обучения

Тема 1: Введение в машинное обучение

обзор курса. Знакомство со стандартными задачами по
машинному обучению. Понимание общего подхода: Exploratory Data Analysis
and Preprocessing -> Models and experiments -> Production.

28 февраля, 20:00 — 21:30

Тема 2: Базовые инструменты анализа данных в Python

рабочее окружение Python. Функционал базовых библиотек для
работы с данными: Numpy, Pandas, scikit-learn.

2 марта, 20:00 — 21:30

Тема 3: Exploratory Data Analysis and Preprocessing

основные принципы и методы разведочного анализа данных.
Преобразование данных в подходящий для моделей формат. Использование
статистического анализа и визуализации для знакомства с данными.

6 марта, 20:00 — 21:30

Домашние задания: 1

1 Практика EDA, знакомство с данными, построение визуализаций

Цель: В этом домашнем задании вам предстоит провести первичный анализ данных (EDA) и познакомиться с достаточно небольшим, но интересным датасетом по раку груди. Признаками в этом наборе данных являются различные измерения образований в груди, такие как радиус, симметричность, и т.д. Целевой переменной является диагноз - является ли новообразование злокачественным или нет.

Тема 4: Задача классификации. Метод ближайших соседей (kNN)

алгоритм kNN. Влияние нормализации данных в kNN. Структуры
данных для оптимизации kNN. Метрики оценки качества классификации. Кросс-
валидация.

9 марта, 20:00 — 21:30

Тема 5: Задача регрессии. Линейная регрессия

линейная регрессия - метод наименьших квадратов и
градиентный спуск. Вероятностная трактовка линейной регрессии.
Полиномиальная регрессия. Регуляризация в линейной регрессии. Метрики
оценки качества регрессии.

13 марта, 20:00 — 21:30

Домашние задания: 1

1 Построение модели линейной регрессии, настройка гиперпараметров на кросс-валидации, интерпретация коэффициентов.

Цель: В этом дз вы потренируетесь строить интерпретируемые модели линейной регрессии с регуляризацией и без. Снова пройдемся по основным этапам работы с данными и на выходе получим модели, способные предсказывать цены на жильё в AirBnb.

Тема 6: Логистическая регрессия

реализации логистической регрессии с помощью метода
с тохас тического градиентного спуска. Регуляризация и подбор
гиперпараметров.

16 марта, 20:00 — 21:30

Домашние задания: 1

1 Построение модели логистической регрессии, настройка гиперпараметров на кросс-валидации, интерпретация коэффициентов.

Цель: В этом домашнем задании вы потренируетесь в настройке модели логистической регрессии, подборе коэффициента регуляризации и интерпретации результатов.

Тема 7: Feature engineering & advanced preprocessing

отбор признаков. Преобразование признаков для повышения
точности модели. Устранение несбалансированности выборки.

20 марта, 20:00 — 21:30

Домашние задания: 1

1 Feature Engineering&Feature Selection

Цель: Повторить вычисления из лекции на данном датасете: https://archive.ics.uci.edu/ml/datasets/Adult

Тема 8: Практическое занятие по темам, изученным в первом модуле

повторение – мать учения.

23 марта, 20:00 — 21:30

Продвинутые методы машинного обучения

Тема 1: Метод опорных векторов

метод опорных векторов (SVM), интерпретация. Случай линейно
неразделимых данных. Kernel trick. Примеры SVM в sklearn.

27 марта, 20:00 — 21:30

Домашние задания: 1

1 Построение SVM и выбор оптимального ядра.

Тема 2: Бонусный урок

30 марта, 20:00 — 21:30

Тема 3: Деревья решений

программа: Классификация и регрессия с помощью деревьев решений. Обзор
алгоритмов. Алгоритм CART. Выбор оптимального сплита, суррогатный сплит.
Обзор реализации в sklearn.

3 апреля, 20:00 — 21:30

Тема 4: Ансамбли моделей

ансамблирование. Случайный лес. Бэггинг, стэкинг, блэндинг.

6 апреля, 20:00 — 21:30

Домашние задания: 1

1 Построение и настройка модели случайного леса. Визуализация важности признаков.

Тема 5: Градиентный бустинг

теория градиентного бустинга. XGBoost, CatBoost, LightGBM.
Применение библиотеки ELI5 для интерпретации моделей.

10 апреля, 20:00 — 21:30

Домашние задания: 1

1 Сравнение трех разобранных алгоритмов бустинга и подбор гиперпараметров для получения лучшего качества.

Тема 6: Обучение без учителя. K-means, EM алгоритм

обучение без учителя. Алгоритмы кластеризации, области
применения. K-means. Оценка качества обучения, ограничения и подбор
алгоритма для задачи. Алгоритмы с lower-bound. EM алгоритм.

13 апреля, 20:00 — 21:30

Домашние задания: 1

1 Настройка числа кластеров в алгоритме K-Means. Elbow и Silhouette метод.

Тема 7: Обучение без учителя. Иерархическая кластеризация. DB-Scan

иерархическая кластеризация. DB-Scan. Спектральная
кластеризация.

17 апреля, 20:00 — 21:30

Домашние задания: 1

1 Построение различных вариантов кластеризаций и интерпретация результатов.

Тема 8: Методы уменьшения размерности

метод главных компонент (Principle component analysis). Метод t-
SNE. Примеры визуализации с помощью метода t-SNE.

20 апреля, 20:00 — 21:30

Тема 9: Поиск аномалий в данных

статистические методы нахождения выбросов. Вероятностные
методы. One-Class SVM, Isolation Forest.

24 апреля, 20:00 — 21:30

Домашние задания: 1

1 Практический проект по построению системы поиска аномалий.

Рекомендательные системы. Анализ текстовых данных, графов и временных рядов.

Тема 1: Сбор данных

открытые источники данных. Использование API. Парсинг и
создание своих датасетов.

27 апреля, 20:00 — 21:30

Домашние задания: 1

1 Практический проект по написанию собственного парсера.

Тема 2: Анализ текстовых данных. Часть 1

задача обработки текста. Введение, обзор задач, токенизация,
лемматизация, TF-IDF. Обзор библиотек для работы с русским и английским языками.

1 мая, 20:00 — 21:30

Домашние задания: 1

1 Практический проект по предсказанию рейтинга фильма.

Тема 3: Анализ текстовых данных. Часть 2

тематическое моделирование. Общая схема решения задач NLP.

4 мая, 20:00 — 21:30

Домашние задания: 1

1 Тематическое моделирование на данных Вконтакте: использование модели LDA, визуализация топиков, построение тематических профилей.

Тема 4: Анализ текстовых данных. Часть 3. Практическое занятие

векторные представления слов, word2vec. Примеры задач NLP,
создание диалоговых систем.

8 мая, 20:00 — 21:30

Тема 5: Рекомендательные системы. Часть 1

коллаборативная фильтрация. Проблема «холодного старта».
Метрики оценки качества рекомендательной системы.

11 мая, 20:00 — 21:30

Тема 6: Рекомендательные системы. Часть 2

контентная фильтрация, гибридные подходы. Ассоциативные
правила.

15 мая, 20:00 — 21:30

Домашние задания: 1

1 Практический проект по созданию рекомендательной системы.

Тема 7: Анализ временных рядов. Часть 1

постановка задачи. Простейшие методы. Экспоненциальное
сглаживание. Семейство ARIMA.

18 мая, 20:00 — 21:30

Тема 8: Анализ временных рядов. Часть 2

извлечение признаков и применение моделей машинного
обучения. Автоматическое прогнозирование.

22 мая, 20:00 — 21:30

Домашние задания: 1

1 Построение прогноза временного ряда с использованием изученных методов.

Тема 9: Алгоритмы на графах

анализ социальных сетей. Метрики на графах. Выделение
сообществ.

25 мая, 20:00 — 21:30

Домашние задания: 1

1 Анализ графа друзей Вконтакте. Визуализация в NetworkX.

Тема 10: АБ тестирование

тестирование гипотез. Постановка задачи. Терминология,
мощность, статистическая значимость. Параметрические и непараметрические методы.

29 мая, 20:00 — 21:30

Домашние задания: 1

1 Практика по проверке АБ-тестов.

Big Data & нейронные сети

Тема 1: Работа с Big Data. Часть 1

адаптация алгоритмов к batch-learning. SGD. Vowpal Wabbit.

1 июня, 20:00 — 21:30

Домашние задания: 1

1 Настройка моделей машинного обучения в Vowpal Wabbit.

Тема 2: Работа с Big Data. Часть 2

облачные технологии для работы с Big Data: Amazon Web
Services, Google Cloud. Создание виртуальных машин, распределенные вычисления.

5 июня, 20:00 — 21:30

Домашние задания: 1

1 Запуск собственной виртуальной машины и построение моделей в облаке.

Тема 3: Работа с Big Data. Часть 3

spark, принципы работы и архитектуры. Построение моделей
машинного обучения при помощи PySpark API.

8 июня, 20:00 — 21:30

Тема 4: Нейронные сети и глубокое обучение

начальные сведения о нейронных сетях. Примеры использования
нейронных сетей.

12 июня, 20:00 — 21:30

Подготовка к соревнованиям kaggle

Разбор соревнований с kaggle.
Преподаватель: Валерий Бабушкин (kaggle grandmaster).

Тема 1: Тренировка по ML №1

stacking, ensemble learning

15 июня, 20:00 — 21:30

Лектор: Валерий Бабушкин

Тема 2: Тренировка по ML №2

adversarial validation, pseudo-labeling

19 июня, 20:00 — 21:30

Лектор: Валерий Бабушкин

Проектная работа

Тема 1: Вводное занятие по проектной работе

проект включает в себя следующие этапы:
1. Постановка задачи. Предлагается самостоятельно найти предметную
область и обосновать применение в ней машинного обучения
2. Разработка данных. Одно из требований к проекту - использование
данных из открытых источников. Необходимо разработать процесс сбора
и очистки данных
3. Поиск алгоритма и модели для решения задачи. Необходимо выполнить
подготовку данных, выбрать алгоритм и подобрать параметры для
построения модели
4. Использование модели для достижения поставленной цели
5. Построение процесса. Решение задачи необходимо оформить в единый
процесс по обработке данных от источника до предсказания, не
требующий участия эксперта
6. Обоснование процесса.

22 июня, 20:00 — 21:30

Домашние задания: 1

1 Проектная работа

Тема 2: Бонус: поиск Data Science работы

примеры тестовых заданий и вопросов с собеседований.

26 июня, 20:00 — 21:30

Тема 3: Консультация по проекту

29 июня, 20:00 — 21:30

Тема 4: Защита проектов

3 июля, 20:00 — 21:30

Домашние задания: 1

1 Сдать проект

Выпускной проект

Выпускной проект — возможность закрепить навыки, наработанные в процессе обучения. Это практическое применение изучения всех этапов работы с данными: начиная от сбора и очистки и заканчивая построением модели и презентацией результатов потенциальному заказчику.

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.

Дмитрий Сергеев

19 ноября 2019 года в 20:00

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!

Пройти вступительное тестирование

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;

улучшите навыки в технологиях Python, Pandas, Sklearn, Keras, нейросети, SQL, Natural language processing, Deep learning и других, связанных с Learn Data Science;