Machine learning: современные методы анализа данных и инструменты Data Science
⚡ Открываем подписку на курсы!
Проходите параллельно 3 онлайн-курса в месяц по цене одного.
Подробнее

Курсы

Программирование
Backend-разработчик на PHP Scala-разработчик Алгоритмы и структуры данных Backend-разработка на Kotlin Team Lead Разработчик Python. Базовый курс C# ASP.NET Core разработчик
-25%
iOS-разработчик. Базовый курс
-25%
Супер - интенсив по паттернам проектирования
-16%
Fullstack разработчик JavaScript
-18%
JavaScript Developer. Basic Архитектор программного обеспечения
-12%
Agile Project Manager в IT MS SQL Server разработчик Разработчик игр на Unity Супер - практикум по использованию и настройке GIT VOIP инженер Framework Laravel Android-разработчик. Базовый курс AWS для разработчиков Cloud Solution Architecture Архитектура и шаблоны проектирования Разработчик Node.js Супер - интенсив по Kubernetes
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Специальная цена

Machine Learning. Базовый курс

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.

Длительность обучения:

Формат:

Начало занятий:

Дни занятий:

5 месяцев

4 ак. часа в нед.

Online

31 августа

Пн 20:00, Пт 20:00

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.
Поиск аномалий в данных, 20 августа в 20:00
Рассматриваем способы очистки данных от мусора. Учимся настраивать систему для поиска аномалий.
Обсуждаем, что делать, если разметку не завезли, а валидировать хочется. А также изучаем статистические методы, One-class SVM, Isolation Forest, DBSCAN и других зверей.
Ведет
Андрей
Канашов
Предыдущий открытый вебинар

Преподаватели

Дмитрий Сергеев
Senior Data Scientist в Oura
Дмитрий Музалевский
Lead Data Scientist в Koerber Digital
Анастасия Гайдашенко
Разработчик-аналитик в Яндекс.Поиск
Андрей Канашов
Data Scientist в OMD OM GROUP
Антон Захаренков
Андрей Сухобок
Research Associate, Aalto University, Finland
Антон Лоскутов
Data Scientist в Mail.Ru 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

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 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
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.

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 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.

Преподаватель
Дмитрий
Сергеев
Дмитрий
Музалевский
Анастасия
Гайдашенко
Андрей
Канашов
Антон
Захаренков
Андрей
Сухобок
Антон
Лоскутов

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
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.

Преподаватель
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.

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. 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.

Преподаватель
Отзывы
7
Александр
Кудинов
Очень хочу поблагодарить Дмитрия Сергеева за отношение к предмету и желание научить и поделиться опытом. Его лекции всегда полезны и интересны. Другой преподаватель просто читает презентацию. Возможно, он хороший специалист, но объяснять и разбирать материал у него не получается. Уверен, не только я им не доволен. До обучения в OTUS я много лет проработал звукорежиссёром на телевидении. Занимался, в основном, спортивными трансляциями. В 2015-ом решил попробовать заняться разработкой ПО. Выбрал C++, т.к. хотел и хочу заниматься real-time обработкой звука, VST plugin'ами и т.п. Но в России таких вакансий крайне мало. Книги, бесплатные онлайн курсы, потом курс разработчика C++ на OTUS.
Потом - работа звукоинженером в Samsung на проекте Bixby - это их голосовой помощник. После Bixby - желание заняться исследованиями и разработкой в области синтеза и распознавания речи - не NLP, а именно ASR и TTS. Таких вакансий, увы, тоже немного. Соответственно, Python, машинное обучение, нейронные сети.
Поэтому сейчас - подряд два курса от OTUS. Всеми тремя курсами доволен, т.к. в изучении появляется система, мотивация к самостоятельному изученю материала, опыт и общение со специалистами, их реальный опыт и оценка наших навыков.
Результаты обучения, в любом случае есть. Это - прежде всего, новые знания и навыки, адекватная оценка и уверенность в своём уровне подготовки.
Работу мечты, да и компанию мечты пока не нашёл. Изучаю рынок, прохожу собеседования, выполняю тестовые задания.
Читать целиком
Сергей
Масленников
Я работал и работю в настоящий момент в банковской сфере в области нагрузочного тестирования. Я выбрал курс “Machine learning”, чтобы систематизировать свои знания в этой области, которые получил самостоятельно. Результат обчуения считаю успешным.Что понравилось:
- Лекции ведут отличные специалисты в своей области.
- Обратная связь от преподавателей.
- Дистанционное обучение. Позволяет экономить время.
- Тестовое задание перед записью на курс. Позволяет оценить свои знания перед записью или сэкономить деньги.
Не понравилось:
- Некоторые домашние задания не имеют детального описания, что необходимо сделать.
- Перенос лекций в одностороннем порядке. Так как ранее был установлен график проведения лекций, я смог под него подстроить свое расписание. Перенос лекции на другой день часто не позволяет пристуствовать на этой лекции и задать в режиме онлайн имеющиеся вопросы.
- Первым заданием обучения является заполнения своего резюме. Я, как и думаю большинство записавшихся на крус, заинтересовано в получению работы по специальности пройденного курса, но резюме рассылаются без учета этого интереса и компании приглашают на собеседовании по опыту, указанного в резюме.
Читать целиком
Наталья
Глактионова
Самое главное впечатление от курсов: очень нравится, ни одной минуты не пожалела, что записалась. Плюсы: преподаватели стараются, отвечают на вопросы, всегда уточняют все ли понятно. Также приятно, что даже когда время вышло, не убегают, а отвечают спокойно и подробно. Мой любимый преподаватель Дмитрий Сергеев, очень нравится его подача, интересные лекции. Шикарно, когда в ноутбуки вставляют ссылки на полезные материалы. Минусы: иногда барахлит звук на лекциях. Есть какая-то трудность с ДЗ, по умолчанию оно невнятное и только после запроса на лекции или в слаке добавляют подробное описание.
Читать целиком
Василий
Курочкин
Шёл на курс с целью научиться использовать на практике машинное обучение в Python (до этого несколько лет решал аналогичные задачи в системе SAS Enterprise Miner, а на новом месте работы доступен только Python). Цели своей достиг, на новой работе быстро втянулся и успешно прошел испытательный срок.
Плюсы курса:
1) Ориентация на практику. Минимум занудства, максимум реальной работы.
2) Преподаватели из индустрии. Знают, что актуально, рассказывают интересные кейсы, дают ценные советы.
Минусы курса:
1) Преподаватели из индустрии. Ребята крутые специалисты но (пока) не все из них крутые преподаватели.
Было несколько тем, которые бы я вряд ли осознал, не имея предыдущего опыта.
В общем и целом впечатления от курса и организаторов положительные, как закончу этот курс пойду еще учиться на нейронные сети.
Читать целиком
Виталий
Русакевич
Курс интересный, много практики. Хотя по ощущениям многовато домашних заданий, не успеваешь сконцентрироваться, тщательней обдумать выполнение заданий и заодно осмыслить теорию, почитать что-то сверх материала. Может быть имело бы смысл их уменьшить штук до 13-15. По мне идеально одно задание на неделю в среднем.

Полезно, что проходили темы не на прямую связанные с машинным обучением, например - pipeline, парсинг.

Нравится подача материала Дмитрием Сергеевым тем, что темы начинает объяснять с простого на пальцах, постепенно увеличивая сложность.
Также очень хорошо, что Дмитрий Музалевский даёт обратную связь при проверке дз, подсказывает где можно что-то еще улучшить в будущем, задает направление. Ну либо подчеркивает, что сделано отлично)

Может быть ещё бы добавил при прохождении каких-либо алгоритмов на занятиях объяснение где в каких моделях стоит на какие параметры обращать больше внимания, а на какие нет в конкретных часто используемых библиотеках. Что требует настройки, а что нет. Понятно, что в документации всё есть, но она не всегда понятна обычному не опытному человеку. Потому как в итоге работать придется с этими библиотеками, поэтому подробности не помешали бы.

Было бы круто сделать интергацию резюме с hh или каким-нибудь моим кругом, поскольку очень не охото копи-пастить оттуда резюме, и при внесении изменений в hh, оно бы поменялось и у вас.
Ну и надеюсь, что ваш сервис поможет найти работу связанную с машинным обучением)
Читать целиком
Агерке
Балгабекова
Самую главную роль в обучении играет преподаватель. На этом курсе оба преподавателя, по имени Дмитрий, справились с задачей обучить основам Машинного обучения, а также зажечь любовь к Дата Сайнсу! Основные плюсы курса: преподаватели с индустрии, быстрая реакция на вопросы и домашние задания, умение принимать отзывы, прислушиваться и реагировать соответственно. Особенно запомнились: бонусный урок по pipeline, помощь в поиске работы, повторение первого модуля, консультация по проектам - все эти вещи следует продолжать делать. Что можно улучшить: сократить количество домашних заданий, убрав пару с не очень понятными описаниями, например "выбери любой датасет и попробуй то, что сделали на вебинаре".
Благодаря этому курсу я получила уверенность в том, что стоит менять свое направление в сторону Data Science & Machine Learning. Это однозначно мое!
Читать целиком
Марат
Насрутдинов
Курс динамичный и интенсивный. Позволяет получить хороший охват методов в области машинного обучения (не касаясь нейронных сетей). Не всегда ровный. Часть тем (особенно когда лектор читает чужие слайды) не прочувствованы лекторами, другая - освещены отлично.
Для меня оказался тяжеловат - не хватало бэкграунда в использовании пакетов Python.
Читать целиком
Александр
Кудинов
Очень хочу поблагодарить Дмитрия Сергеева за отношение к предмету и желание научить и поделиться опытом. Его лекции всегда полезны и интересны. Другой преподаватель просто читает презентацию. Возможно, он хороший специалист, но объяснять и разбирать материал у него не получается. Уверен, не только я им не доволен. До обучения в OTUS я много лет проработал звукорежиссёром на телевидении. Занимался, в основном, спортивными трансляциями. В 2015-ом решил попробовать заняться разработкой ПО. Выбрал C++, т.к. хотел и хочу заниматься real-time обработкой звука, VST plugin'ами и т.п. Но в России таких вакансий крайне мало. Книги, бесплатные онлайн курсы, потом курс разработчика C++ на OTUS.
Потом - работа звукоинженером в Samsung на проекте Bixby - это их голосовой помощник. После Bixby - желание заняться исследованиями и разработкой в области синтеза и распознавания речи - не NLP, а именно ASR и TTS. Таких вакансий, увы, тоже немного. Соответственно, Python, машинное обучение, нейронные сети.
Поэтому сейчас - подряд два курса от OTUS. Всеми тремя курсами доволен, т.к. в изучении появляется система, мотивация к самостоятельному изученю материала, опыт и общение со специалистами, их реальный опыт и оценка наших навыков.
Результаты обучения, в любом случае есть. Это - прежде всего, новые знания и навыки, адекватная оценка и уверенность в своём уровне подготовки.
Работу мечты, да и компанию мечты пока не нашёл. Изучаю рынок, прохожу собеседования, выполняю тестовые задания.
Читать целиком
Сергей
Масленников
Я работал и работю в настоящий момент в банковской сфере в области нагрузочного тестирования. Я выбрал курс “Machine learning”, чтобы систематизировать свои знания в этой области, которые получил самостоятельно. Результат обчуения считаю успешным.Что понравилось:
- Лекции ведут отличные специалисты в своей области.
- Обратная связь от преподавателей.
- Дистанционное обучение. Позволяет экономить время.
- Тестовое задание перед записью на курс. Позволяет оценить свои знания перед записью или сэкономить деньги.
Не понравилось:
- Некоторые домашние задания не имеют детального описания, что необходимо сделать.
- Перенос лекций в одностороннем порядке. Так как ранее был установлен график проведения лекций, я смог под него подстроить свое расписание. Перенос лекции на другой день часто не позволяет пристуствовать на этой лекции и задать в режиме онлайн имеющиеся вопросы.
- Первым заданием обучения является заполнения своего резюме. Я, как и думаю большинство записавшихся на крус, заинтересовано в получению работы по специальности пройденного курса, но резюме рассылаются без учета этого интереса и компании приглашают на собеседовании по опыту, указанного в резюме.
Читать целиком
Наталья
Глактионова
Самое главное впечатление от курсов: очень нравится, ни одной минуты не пожалела, что записалась. Плюсы: преподаватели стараются, отвечают на вопросы, всегда уточняют все ли понятно. Также приятно, что даже когда время вышло, не убегают, а отвечают спокойно и подробно. Мой любимый преподаватель Дмитрий Сергеев, очень нравится его подача, интересные лекции. Шикарно, когда в ноутбуки вставляют ссылки на полезные материалы. Минусы: иногда барахлит звук на лекциях. Есть какая-то трудность с ДЗ, по умолчанию оно невнятное и только после запроса на лекции или в слаке добавляют подробное описание.
Читать целиком
Василий
Курочкин
Шёл на курс с целью научиться использовать на практике машинное обучение в Python (до этого несколько лет решал аналогичные задачи в системе SAS Enterprise Miner, а на новом месте работы доступен только Python). Цели своей достиг, на новой работе быстро втянулся и успешно прошел испытательный срок.
Плюсы курса:
1) Ориентация на практику. Минимум занудства, максимум реальной работы.
2) Преподаватели из индустрии. Знают, что актуально, рассказывают интересные кейсы, дают ценные советы.
Минусы курса:
1) Преподаватели из индустрии. Ребята крутые специалисты но (пока) не все из них крутые преподаватели.
Было несколько тем, которые бы я вряд ли осознал, не имея предыдущего опыта.
В общем и целом впечатления от курса и организаторов положительные, как закончу этот курс пойду еще учиться на нейронные сети.
Читать целиком
Виталий
Русакевич
Курс интересный, много практики. Хотя по ощущениям многовато домашних заданий, не успеваешь сконцентрироваться, тщательней обдумать выполнение заданий и заодно осмыслить теорию, почитать что-то сверх материала. Может быть имело бы смысл их уменьшить штук до 13-15. По мне идеально одно задание на неделю в среднем.

Полезно, что проходили темы не на прямую связанные с машинным обучением, например - pipeline, парсинг.

Нравится подача материала Дмитрием Сергеевым тем, что темы начинает объяснять с простого на пальцах, постепенно увеличивая сложность.
Также очень хорошо, что Дмитрий Музалевский даёт обратную связь при проверке дз, подсказывает где можно что-то еще улучшить в будущем, задает направление. Ну либо подчеркивает, что сделано отлично)

Может быть ещё бы добавил при прохождении каких-либо алгоритмов на занятиях объяснение где в каких моделях стоит на какие параметры обращать больше внимания, а на какие нет в конкретных часто используемых библиотеках. Что требует настройки, а что нет. Понятно, что в документации всё есть, но она не всегда понятна обычному не опытному человеку. Потому как в итоге работать придется с этими библиотеками, поэтому подробности не помешали бы.

Было бы круто сделать интергацию резюме с hh или каким-нибудь моим кругом, поскольку очень не охото копи-пастить оттуда резюме, и при внесении изменений в hh, оно бы поменялось и у вас.
Ну и надеюсь, что ваш сервис поможет найти работу связанную с машинным обучением)
Читать целиком
Агерке
Балгабекова
Самую главную роль в обучении играет преподаватель. На этом курсе оба преподавателя, по имени Дмитрий, справились с задачей обучить основам Машинного обучения, а также зажечь любовь к Дата Сайнсу! Основные плюсы курса: преподаватели с индустрии, быстрая реакция на вопросы и домашние задания, умение принимать отзывы, прислушиваться и реагировать соответственно. Особенно запомнились: бонусный урок по pipeline, помощь в поиске работы, повторение первого модуля, консультация по проектам - все эти вещи следует продолжать делать. Что можно улучшить: сократить количество домашних заданий, убрав пару с не очень понятными описаниями, например "выбери любой датасет и попробуй то, что сделали на вебинаре".
Благодаря этому курсу я получила уверенность в том, что стоит менять свое направление в сторону Data Science & Machine Learning. Это однозначно мое!
Читать целиком
Марат
Насрутдинов
Курс динамичный и интенсивный. Позволяет получить хороший охват методов в области машинного обучения (не касаясь нейронных сетей). Не всегда ровный. Часть тем (особенно когда лектор читает чужие слайды) не прочувствованы лекторами, другая - освещены отлично.
Для меня оказался тяжеловат - не хватало бэкграунда в использовании пакетов Python.
Читать целиком
Необходимые знания
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).
Подготовительный курс

  • Основные возможности языка Python

  • Создание сайтов на Django

  • Библиотеки для анализа данных

  • Подготовка к курсам "Web-разработчик на Python" и "Разработчик Python"

Записаться
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
C 31 августа
Тема 1. Введение в машинное обучение
Тема 2. Базовые инструменты анализа данных в Python
Тема 3. Exploratory Data Analysis and Preprocessing
Тема 4. Задача классификации. Метод ближайших соседей (kNN)
Тема 5. Задача регрессии. Линейная регрессия
Тема 6. Логистическая регрессия
Тема 7. Feature engineering & advanced preprocessing
Тема 8. АБ тестирование
Тема 9. Практическое занятие по темам, изученным в первом модуле
C 5 октября
Тема 10. Python для ML: пайплайны, ускорение pandas, мультипроцессинг
Тема 11. Метод опорных векторов
Тема 12. Деревья решений
Тема 13. Ансамбли моделей
Тема 14. Градиентный бустинг
Тема 15. Обучение без учителя. K-means, EM алгоритм
Тема 16. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 17. Методы уменьшения размерности
Тема 18. Алгоритмы на графах
Тема 19. Поиск аномалий в данных
C 16 ноября
Тема 20. Сбор данных
Тема 21. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 22. Анализ текстовых данных. Часть 2: Тематическое моделирование
Тема 23. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 24. Анализ текстовых данных. Часть 4: Векторные представления слов, работа с предобученными эмбеддингами
C 4 декабря
Тема 25. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 26. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 27. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
C 14 декабря
Тема 28. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 29. Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 30. Рекомендательные системы. Часть 3: Implicit feedback (извлекаем предпочтения из поведения пользователя)
Тема 31. Практическое занятие по рекомендательным системам. Surpsise
C 11 января
Тема 32. Тренировка по ML №1
Тема 33. Тренировка по ML №2
C 18 января
Тема 34. Консультация по проектам и домашним заданиям
Тема 35. Бонус: поиск Data Science работы
Тема 36. 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 таких выпускных проектов можно найти по ссылкам:
- 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: 7 марта 2021 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine Learning. Базовый 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. Базовый 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.
Моделирование COVID-19 с помощью анализа графов и парсинга открытых данных
Дмитрий Сергеев
День открытых дверей
6 августа 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
Общая стоимость
60 000 ₽ 50 000 ₽
В месяц: 22 500 ₽
Продолжительность
5 месяцев
Начало занятий
31 августа