Machine learning: современные методы анализа данных и инструменты Data Science
Рассрочка
Партнер курса
логотип партнера
Рассрочка
Machine Learning. Professional

Machine Learning. Углубленный уровень

Научитесь работать с важнейшими моделями машинного обучения на практике с реальными данными. Курс для людей со знанием высшей математики и знакомых с Python. Подготовка к соревнованиям на Kaggle.

Длительность обучения:

5 месяцев

4 ак. часа в нед.

Формат:

Online

Начало занятий:

28 сентября

Дни занятий:

Чт 20:00, Вт 20:00

Что даст вам этот курс

Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену.
Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.

Карта курсов направления Data Science в OTUS

Проекты для портфолио

В течение курса вы выполните несколько проектов для портфолио и научитесь грамотно презентовать результаты своих работ, чтобы проходить собеседования. Для выпускного проекта вы можете взять один из предложенных преподавателем вариантов или реализовать свою идею.

Для кого этот курс?

  • Для начинающих аналитиков и Data Scientist’s. Курс поможет вам систематизировать и углубить свои знания. Вы сможете поэкспериментировать с подходами, разобрать рабочие кейсы и получить качественную обратную связь от экспертов.
  • Для разработчиков и специалистов других направлений, желающих сменить профессию и развиваться в области Data Science. Курс даст вам возможность собрать сильное портфолио и погрузиться в атмосферу реальных задач дата сайентиста.

Для обучения вам понадобится опыт Python на уровне написания собственных функций, а также знание мат.анализа, линейной алгебры, теории вероятностей и мат. статистики.

Сравнение с курсом Machine Learning. Advanced

Особенности курса

Best Practices и тренды. Каждый запуск программа обновляется с учетом быстро меняющихся тенденций в Data Science. После обучения вы сразу сможете приступить к работе в реальных проектах.

Важные второстепенные навыки. В курс входят темы, которые обычно упускаются из внимания, но необходимы специалисту в повседневных задачах и очень ценятся работодателями:
— построение систем для автоматического поиска аномалий;
— прогнозирования временных рядов при помощи машинного обучения;
— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production.

Творческая атмосфера и условия, близкие к реальным рабочим процессам. Весь курс построен как симулятор рабочих будней дата сайентиста, где вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели в продакшн. В этом деле вам понадобятся любопытство, упорство и жажда нового опыта.

Преподаватели

Мария Тихонова
Senior Data Scientist SberDevices, преподаватель ВШЭ
Андрей Коняев
Александр Сизов
Андрей Канашов
Senior Data Scientist
Дмитрий Гайнуллин
Евгений Романов
Data Scientist
Карина Кванчиани
Computer Vision Engineer
Роман Матанцев
Валентин Шкулов
Data Scientist в Meson Capital Partners
Дмитрий Сергеев
Head of R&D в WeatherWell
Вероника Иванова
Раиль Сулейманов
Виталий Сидоренко
Максим Бекетов
Вадим Заигрин
Александр Брут-Бруляко
Игорь Стурейко
Teamlead, главный инженер проекта – НИИгазэкономика
Антон Витвицкий
Boost Arria NLG, Director of Computer Vision
Глеб Карпов
Skoltech Computational Intelligence Laboratory
Занимается обучением больших языковых моделей, а также их оценкой. Участвовала в создании мультиязычной нейросети mGPT на 61 язык, первого русскоязычного бенчмарк для русского языка, а также в проекте GigaChat.
Преподает в Высшей Школе Экономики дисциплины по анализу данных, машинному обучению и data science.

Образование:
Механико-математический факультет Московского государственного университета (МГУ)
Закончила аспирантуру факультета компьютерных наук Высшей Школы Экономики (НИУ ВШЭ)

Otus Certified Educator

Руководитель программы
С декабря 2023 Consultant GenAI Machine Learning Engineering (Professional Research & Development Engineer I) T-Systems International

Опыт:
3 года опыта в роли Data Scientist (NLP). Занимаюсь всеми этапами работы: исследование; сбор, обработка и генерация тренировочных данных; PoC; обучение или дообучение моделей; анализ качества моделей; оптимизация моделей и перевод в продакшн.
Также, занимаюсь бэкенд разработкой.
Преподаватель информатики в 5-9 классах во Второй Санкт-Петербургской Гимназии (2 месяца, 2018).

Основной стек:
Python, PyTorch, Tensorflow, AWS, Microsoft Azure, Docker, transformers, GPT, FastAPI, ONNX, Git

Реализованные проекты:
Семантический поисковик на основе векторной схожести, инструмент для упрощения текста, голосовой и текстовый ассистент для пенсионеров, классификатор отчётов CRM и прочие.

Образование:
BSc: Берлинский университет имени Гумбольдта
MSc: Потсдамский университет

Otus Certified Educator

Преподаватель
Опытный разработчик, учёный и эксперт по Machine/Deep learning с опытом в рекомендательных системах. Имеет более 30 научных публикаций на русском и иностранном языках, защитил кандидатскую диссертацию на тему анализа и прогнозирования временных рядов.

Около 10 лет преподавал смежные дисциплины в НИУ МЭИ, будучи доцентом кафедры. Руководит Data Science командами по разработке проектов в области NLP, RecSys, Time Series и Computer Vision.

Образование:
кандидат технических наук, НИУ МЭИ

Otus Certified Educator

Преподаватель
Занимался задачами с использованием как классического Machine Learning, так и Deep Learning алгоритмов с использованием нейронных сетей в задачах NLP и CV, а также проведением различных аналитических исследований:

- Задачи NLP (Topic Modeling, NER) и CV (face detection, instance segmentation, semantic segmentation, age/gender classification) для анализа социальных сетей
- Кластерный анализ целевых аудитории (clustering)
- Прогнозирование бизнес-метрик (classical ML)
- Аудиторное профилирование и персонализация рекламы

Самостоятельно занимался изучением Machine Learning. Знает, что нужно для освоения новой профессии и какие при этом возникают вопросы.

Образование:
Уральский государственный университет (УРФУ)

Otus Certified Educator

Преподаватель
Более 3+ года работы в различных проектах, связанных с машинным обучением. В основном в NLP и Speech Processing.

Работал как в маленьких стартапах на 3 человека, так и в исследовательских отделах крупных международных банков. Имею опыт работы с суммаризацией текста, большими языковыми моделями и распознаванием естественной речи.
Занял первое место в ASR for low-resource languages Coqui AI challenge.
Разрабатывал и запускал внутренние продукты для банков и делал свой мини-стартап по рекомендации одежды.

Стэк: Python (NumPy, SciPy, Pandas, scikit-learn, Flask, FastAPI), Pytorch, Lightning, Transformers, WandB, Triton.

Образование:
МФТИ и Ecole Polytechnique.

Преподаватель
Занимается анализом данных и машинном обучением с 2018 года.

Работал в департаментах рисков, комплаенса крупных российских банков, а также айти-консалтинге. В настоящий момент занимаюсь построением моделей для клиентского сервиса в Газпромбанке.

Компании: QIWI, Альфа-банк, МТС-Банк, PricewaterhouseCoopers.

Образование:
Финансовый Университет при Правительстве РФ, риск-менеджмент

Otus Certified Educator

Преподаватель
Последние 2.5 года работала над задачами компьютерного зрения: сегментация типов льда в дочке Газпром Нефти, предсказание возраста человека по камерам видеонаблюдения в Facemetric, распознавание жестов в SberDevices и другие. В 2021 закончила бакалавриат СПбГУ, направление - прикладная математика и информатика. Сейчас, в SberDevices, занимаюсь исследованиями и созданием картиночных датасетов.

Выпускник факультета Прикладной математики СПбГУ (с красным дипломом). Некоторое время проработал научным сотрудником и делал исследования в области прочности и механики льда. Потом переквалифицировался в DS.

Последние 6 лет занимал сеньорские и тимлидские должности в стартапах. Основная специализация - нейронные сети в computer vision

Работает специалистом по анализу данных в хедж-фонде Meson Capital. Занимается построением различных моделей, предсказывающих поведение на рынке акций.
До этого более 9 лет занимался решением бизнес задач на основе машинного обучения в таких компаниях, как Альфа-банк, СберМегаМаркет, ХоумКредит, ЛПСУ МФТИ, строя модели компьютерного зрения, обработки естественного языка и временных рядов.

Является приглашенным лектором в МФТИ, где ведет авторский курс «Практический ML».

Валентин закончил магистратуру МФТИ. В круг его интересов входит внедрение и построение инфраструктуры для решений на основе анализа данных.

Преподаватель
Соавтор курсов Machine Learning уровня Basic, Professional и Advanced

Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Head of R&D в компании WeatherWell. Имеет опыт практического применения машинного обучения в геймдеве, банковской сфере и Health Tech.

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 Computer Science Aalto University

Стек/интересы: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social good

Занимаюсь построением рекомендательных систем. В работе в основном использую модели матричной факторизации и эвристики.
Учусь в аспирантуре Сколково, где занимаюсь исследованиями в области Sequential Recommender Systems.
Опубликовала 2 статьи и выступила с докладом на воркшопе.
До начала карьеры в IT 10+ лет занималась преподаванием.

Основной стек: Python, Pandas, PyTorch, SQL, ClickHouse.

Образование:
ФКН ВШЭ, факультет Радиоэлектроники и Лазерной Техники МГТУ им. Н. Э. Баумана

Преподаватель
Больше 10 лет опыта работы в исследованиях и разработке (математическое моделирование, статистическая обработка измерений и экспериментов, разработка алгоритмов локализации, применение глубокого обучения для задач вычислительной химии и компьютерного зрения)
Больше 5лет работы в анализе данных и машинном обучении.

Работал в BioCad, Arcadia, GigAnt.
Преподавал алгоритмы, python, вычислительной химии и машинного обучения.

Образование:
прикладная математика, РГГРУ

Преподаватель
Занимался разработками алгоритмами временных рядов, разрабатывал модели прогнозирования режимов работы энергообъектов. В 2021 году перешел в ритейл, где работал с моделями на больших данных.

Преподавал предметы технической и экономической направленности во ВСГУТУ и МГИ.

Основной стек/интересы: timeseries, spark, hive, zeppelin, sql, airflow, tableau, teradata, pandas, numpy, scipy, sklearn, matplotlib, catboost, git

Образование:
ВСГУТУ

Otus Certified Educator

Преподаватель
В машинное обучение пришел из теоретической физики. Опыт работы в анализе данных (компания App In The Air) и Python-разработки (Archeads Inc.)

Многолетний опыт преподавания: линейной алгебры, статистики и теории вероятностей, разработки и анализа данных на Python.

Образование:
ФОПФ МФТИ, Сколтех

Более 35 лет в ИТ, с 2016 года работает с большими данными как разработчик, Data Engineer и Data Scientist. Team Lead команд инженеров данных на разных проектах.

Развивал проекты в банках, в телекоммуникационных и розничных компаниях.

Разработал архитектуру миграции системы Teradata RTCM на Teradata VCX для телекоммуникационной компании.

Разработал архитектура системы обработки данных на базе Hadoop для совместного проекта международной платежной системы и крупного банка.

Разработал систему безопасности Hadoop на основе Atlas и Ranger.

Тестировал системы безопасности Protegrity в Hadoop для крупного банка.

Практический опыт базируется на знании Hadoop (Cloudera, Hortonworks), MPP-системами (Teradata, Greenplum, Vertica), фреймворка Spark и платформ Google Cloud Platform и Yandex Cloud.

Автор курса Data Engineer, Apache Kafka, Spark Developer в компании Otus.

“Поработав и как Data Scientist, и как Data Engineer, понимаю, что без Data Engineer'а Data Scientist'у делать нечего.”

Образование:
прикладная математика, Московский институт электроники и математики (МИЭМ)

Otus Certified Educator

Преподаватель
Занимается исследованиями с фокусом на персонализацию коммуникаций в СБЕР Neurolab, спектр задач широк - и классические задачи ML, и NLP, и CV, и написание парсеров, и написание поддерживающей ИТ инфраструктуры.

Работает с построением DS систем, анализом данных и выстраиванием ИТ сервисов вокруг этого.

Писал внутренний аналитический софт на крупном ювелирном заводе, работал DS инженером в региональной ритейл сети. Делал ML модели персонализации для AVITO Работа.

Основной стек: Python, Pandas, PyTorch, Keras, SQL, ClickHouse, PySpark.

Образование:
Механико-математический факультет Московского Государственного Университета (МГУ)

Otus Certified Educator

Преподаватель
Более 15 лет занимется прикладой математикой и мат. моделированием НИИгазэкономика ПАО Газпром.

Руководил командой̆ 20+ человек, решающей прикладные задачи, вывод готовых моделей в продакшн и поддержку решений у клиента.

Разрабатывал модель развития и прогнозирования технического состояния газотранспортной системы ПАО Газпром.

Образование:
кандидат наук физико-математических наук, Теоретическая физика, Московсский государственный университет (МГУ)

Otus Certified Educator

Преподаватель
Эксперт по компьютерному зрению и глубокому обучению, дипломированный инженер-программист и кандидат физ-мат наук.

С 2012 по 2017 занимался распознаванием лиц в компании WalletOne, чьи решения поставлялись для бизнеса в странах Южной Африки и Европы. Участвовал в стартапе Mirror-AI, где руководил командой компьютерного зрения. В 2017 стартап прошел Y-combinator и получили инвестиции для создания приложения в котором пользователь может реконструировать свой аватар по селфи. В 2019 участвовал в британском стартапе Kazendi Ltd., в проекте HoloPortation. Цель проекта - реконструкция 3D-аватаров для очков дополненной реальности HoloLens. C 2020 руководит командой компьютерного зрения в американском стартапе Boost Inc., который занимается видеоаналитикой в баскетболе для NCAA.

Преподаватель
Руководитель курса OTUS Математика для Data Science

Окончил МФТИ и Сколтех в 2018 году.

В данный момент работает исследователем в Skoltech Computational Intelligence Laboratory: пишет научные статьи в составе международной коллаборации, занимается коммерческими проектами по темам машинного обучения и вычислительной линейной алгебры.

Имеет большой опыт в преподавании: почти 10 занимался организацией добровольной инициативы - многопрофильной летней школы-лагеря для школьников старших классов в Тульской области. На данный момент преподает в университете: ведет курс в ВШЭ по теории вероятностей и статистике на английском языке.
Профессиональные интересы: оптимизация, линейная алгебра, статистика, uncertainty quantification, обучение с подкреплением, регрессионный анализ, планирование эксперимента.
Нравится учиться, преподавать, доносить сложные вещи понятным языком, взаимодействовать с людьми, размышлять о природе вещей, явлений и концепций.

Мария
Тихонова
Андрей
Коняев
Александр
Сизов
Андрей
Канашов
Дмитрий
Гайнуллин
Евгений
Романов
Карина
Кванчиани
Роман
Матанцев
Валентин
Шкулов
Дмитрий
Сергеев
Вероника
Иванова
Раиль
Сулейманов
Виталий
Сидоренко
Максим
Бекетов
Вадим
Заигрин
Александр
Брут-Бруляко
Игорь
Стурейко
Антон
Витвицкий
Глеб
Карпов

Преподаватели

Мария Тихонова
Senior Data Scientist SberDevices, преподаватель ВШЭ
Занимается обучением больших языковых моделей, а также их оценкой. Участвовала в создании мультиязычной нейросети mGPT на 61 язык, первого русскоязычного бенчмарк для русского языка, а также в проекте GigaChat.
Преподает в Высшей Школе Экономики дисциплины по анализу данных, машинному обучению и data science.

Образование:
Механико-математический факультет Московского государственного университета (МГУ)
Закончила аспирантуру факультета компьютерных наук Высшей Школы Экономики (НИУ ВШЭ)

Otus Certified Educator

Руководитель программы
Андрей Коняев
С декабря 2023 Consultant GenAI Machine Learning Engineering (Professional Research & Development Engineer I) T-Systems International

Опыт:
3 года опыта в роли Data Scientist (NLP). Занимаюсь всеми этапами работы: исследование; сбор, обработка и генерация тренировочных данных; PoC; обучение или дообучение моделей; анализ качества моделей; оптимизация моделей и перевод в продакшн.
Также, занимаюсь бэкенд разработкой.
Преподаватель информатики в 5-9 классах во Второй Санкт-Петербургской Гимназии (2 месяца, 2018).

Основной стек:
Python, PyTorch, Tensorflow, AWS, Microsoft Azure, Docker, transformers, GPT, FastAPI, ONNX, Git

Реализованные проекты:
Семантический поисковик на основе векторной схожести, инструмент для упрощения текста, голосовой и текстовый ассистент для пенсионеров, классификатор отчётов CRM и прочие.

Образование:
BSc: Берлинский университет имени Гумбольдта
MSc: Потсдамский университет

Otus Certified Educator

Преподаватель
Александр Сизов
Опытный разработчик, учёный и эксперт по Machine/Deep learning с опытом в рекомендательных системах. Имеет более 30 научных публикаций на русском и иностранном языках, защитил кандидатскую диссертацию на тему анализа и прогнозирования временных рядов.

Около 10 лет преподавал смежные дисциплины в НИУ МЭИ, будучи доцентом кафедры. Руководит Data Science командами по разработке проектов в области NLP, RecSys, Time Series и Computer Vision.

Образование:
кандидат технических наук, НИУ МЭИ

Otus Certified Educator

Преподаватель
Андрей Канашов
Senior Data Scientist
Занимался задачами с использованием как классического Machine Learning, так и Deep Learning алгоритмов с использованием нейронных сетей в задачах NLP и CV, а также проведением различных аналитических исследований:

- Задачи NLP (Topic Modeling, NER) и CV (face detection, instance segmentation, semantic segmentation, age/gender classification) для анализа социальных сетей
- Кластерный анализ целевых аудитории (clustering)
- Прогнозирование бизнес-метрик (classical ML)
- Аудиторное профилирование и персонализация рекламы

Самостоятельно занимался изучением Machine Learning. Знает, что нужно для освоения новой профессии и какие при этом возникают вопросы.

Образование:
Уральский государственный университет (УРФУ)

Otus Certified Educator

Преподаватель
Дмитрий Гайнуллин
Более 3+ года работы в различных проектах, связанных с машинным обучением. В основном в NLP и Speech Processing.

Работал как в маленьких стартапах на 3 человека, так и в исследовательских отделах крупных международных банков. Имею опыт работы с суммаризацией текста, большими языковыми моделями и распознаванием естественной речи.
Занял первое место в ASR for low-resource languages Coqui AI challenge.
Разрабатывал и запускал внутренние продукты для банков и делал свой мини-стартап по рекомендации одежды.

Стэк: Python (NumPy, SciPy, Pandas, scikit-learn, Flask, FastAPI), Pytorch, Lightning, Transformers, WandB, Triton.

Образование:
МФТИ и Ecole Polytechnique.

Преподаватель
Евгений Романов
Data Scientist
Занимается анализом данных и машинном обучением с 2018 года.

Работал в департаментах рисков, комплаенса крупных российских банков, а также айти-консалтинге. В настоящий момент занимаюсь построением моделей для клиентского сервиса в Газпромбанке.

Компании: QIWI, Альфа-банк, МТС-Банк, PricewaterhouseCoopers.

Образование:
Финансовый Университет при Правительстве РФ, риск-менеджмент

Otus Certified Educator

Преподаватель
Карина Кванчиани
Computer Vision Engineer
Последние 2.5 года работала над задачами компьютерного зрения: сегментация типов льда в дочке Газпром Нефти, предсказание возраста человека по камерам видеонаблюдения в Facemetric, распознавание жестов в SberDevices и другие. В 2021 закончила бакалавриат СПбГУ, направление - прикладная математика и информатика. Сейчас, в SberDevices, занимаюсь исследованиями и созданием картиночных датасетов.

Роман Матанцев
Выпускник факультета Прикладной математики СПбГУ (с красным дипломом). Некоторое время проработал научным сотрудником и делал исследования в области прочности и механики льда. Потом переквалифицировался в DS.

Последние 6 лет занимал сеньорские и тимлидские должности в стартапах. Основная специализация - нейронные сети в computer vision

Валентин Шкулов
Data Scientist в Meson Capital Partners
Работает специалистом по анализу данных в хедж-фонде Meson Capital. Занимается построением различных моделей, предсказывающих поведение на рынке акций.
До этого более 9 лет занимался решением бизнес задач на основе машинного обучения в таких компаниях, как Альфа-банк, СберМегаМаркет, ХоумКредит, ЛПСУ МФТИ, строя модели компьютерного зрения, обработки естественного языка и временных рядов.

Является приглашенным лектором в МФТИ, где ведет авторский курс «Практический ML».

Валентин закончил магистратуру МФТИ. В круг его интересов входит внедрение и построение инфраструктуры для решений на основе анализа данных.

Преподаватель
Дмитрий Сергеев
Head of R&D в WeatherWell
Соавтор курсов Machine Learning уровня Basic, Professional и Advanced

Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Head of R&D в компании WeatherWell. Имеет опыт практического применения машинного обучения в геймдеве, банковской сфере и Health Tech.

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 Computer Science Aalto University

Стек/интересы: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social good

Вероника Иванова
Занимаюсь построением рекомендательных систем. В работе в основном использую модели матричной факторизации и эвристики.
Учусь в аспирантуре Сколково, где занимаюсь исследованиями в области Sequential Recommender Systems.
Опубликовала 2 статьи и выступила с докладом на воркшопе.
До начала карьеры в IT 10+ лет занималась преподаванием.

Основной стек: Python, Pandas, PyTorch, SQL, ClickHouse.

Образование:
ФКН ВШЭ, факультет Радиоэлектроники и Лазерной Техники МГТУ им. Н. Э. Баумана

Преподаватель
Раиль Сулейманов
Больше 10 лет опыта работы в исследованиях и разработке (математическое моделирование, статистическая обработка измерений и экспериментов, разработка алгоритмов локализации, применение глубокого обучения для задач вычислительной химии и компьютерного зрения)
Больше 5лет работы в анализе данных и машинном обучении.

Работал в BioCad, Arcadia, GigAnt.
Преподавал алгоритмы, python, вычислительной химии и машинного обучения.

Образование:
прикладная математика, РГГРУ

Преподаватель
Виталий Сидоренко
Занимался разработками алгоритмами временных рядов, разрабатывал модели прогнозирования режимов работы энергообъектов. В 2021 году перешел в ритейл, где работал с моделями на больших данных.

Преподавал предметы технической и экономической направленности во ВСГУТУ и МГИ.

Основной стек/интересы: timeseries, spark, hive, zeppelin, sql, airflow, tableau, teradata, pandas, numpy, scipy, sklearn, matplotlib, catboost, git

Образование:
ВСГУТУ

Otus Certified Educator

Преподаватель
Максим Бекетов
В машинное обучение пришел из теоретической физики. Опыт работы в анализе данных (компания App In The Air) и Python-разработки (Archeads Inc.)

Многолетний опыт преподавания: линейной алгебры, статистики и теории вероятностей, разработки и анализа данных на Python.

Образование:
ФОПФ МФТИ, Сколтех

Вадим Заигрин
Более 35 лет в ИТ, с 2016 года работает с большими данными как разработчик, Data Engineer и Data Scientist. Team Lead команд инженеров данных на разных проектах.

Развивал проекты в банках, в телекоммуникационных и розничных компаниях.

Разработал архитектуру миграции системы Teradata RTCM на Teradata VCX для телекоммуникационной компании.

Разработал архитектура системы обработки данных на базе Hadoop для совместного проекта международной платежной системы и крупного банка.

Разработал систему безопасности Hadoop на основе Atlas и Ranger.

Тестировал системы безопасности Protegrity в Hadoop для крупного банка.

Практический опыт базируется на знании Hadoop (Cloudera, Hortonworks), MPP-системами (Teradata, Greenplum, Vertica), фреймворка Spark и платформ Google Cloud Platform и Yandex Cloud.

Автор курса Data Engineer, Apache Kafka, Spark Developer в компании Otus.

“Поработав и как Data Scientist, и как Data Engineer, понимаю, что без Data Engineer'а Data Scientist'у делать нечего.”

Образование:
прикладная математика, Московский институт электроники и математики (МИЭМ)

Otus Certified Educator

Преподаватель
Александр Брут-Бруляко
Занимается исследованиями с фокусом на персонализацию коммуникаций в СБЕР Neurolab, спектр задач широк - и классические задачи ML, и NLP, и CV, и написание парсеров, и написание поддерживающей ИТ инфраструктуры.

Работает с построением DS систем, анализом данных и выстраиванием ИТ сервисов вокруг этого.

Писал внутренний аналитический софт на крупном ювелирном заводе, работал DS инженером в региональной ритейл сети. Делал ML модели персонализации для AVITO Работа.

Основной стек: Python, Pandas, PyTorch, Keras, SQL, ClickHouse, PySpark.

Образование:
Механико-математический факультет Московского Государственного Университета (МГУ)

Otus Certified Educator

Преподаватель
Игорь Стурейко
Teamlead, главный инженер проекта – НИИгазэкономика
Более 15 лет занимется прикладой математикой и мат. моделированием НИИгазэкономика ПАО Газпром.

Руководил командой̆ 20+ человек, решающей прикладные задачи, вывод готовых моделей в продакшн и поддержку решений у клиента.

Разрабатывал модель развития и прогнозирования технического состояния газотранспортной системы ПАО Газпром.

Образование:
кандидат наук физико-математических наук, Теоретическая физика, Московсский государственный университет (МГУ)

Otus Certified Educator

Преподаватель
Антон Витвицкий
Boost Arria NLG, Director of Computer Vision
Эксперт по компьютерному зрению и глубокому обучению, дипломированный инженер-программист и кандидат физ-мат наук.

С 2012 по 2017 занимался распознаванием лиц в компании WalletOne, чьи решения поставлялись для бизнеса в странах Южной Африки и Европы. Участвовал в стартапе Mirror-AI, где руководил командой компьютерного зрения. В 2017 стартап прошел Y-combinator и получили инвестиции для создания приложения в котором пользователь может реконструировать свой аватар по селфи. В 2019 участвовал в британском стартапе Kazendi Ltd., в проекте HoloPortation. Цель проекта - реконструкция 3D-аватаров для очков дополненной реальности HoloLens. C 2020 руководит командой компьютерного зрения в американском стартапе Boost Inc., который занимается видеоаналитикой в баскетболе для NCAA.

Преподаватель
Глеб Карпов
Skoltech Computational Intelligence Laboratory
Руководитель курса OTUS Математика для Data Science

Окончил МФТИ и Сколтех в 2018 году.

В данный момент работает исследователем в Skoltech Computational Intelligence Laboratory: пишет научные статьи в составе международной коллаборации, занимается коммерческими проектами по темам машинного обучения и вычислительной линейной алгебры.

Имеет большой опыт в преподавании: почти 10 занимался организацией добровольной инициативы - многопрофильной летней школы-лагеря для школьников старших классов в Тульской области. На данный момент преподает в университете: ведет курс в ВШЭ по теории вероятностей и статистике на английском языке.
Профессиональные интересы: оптимизация, линейная алгебра, статистика, uncertainty quantification, обучение с подкреплением, регрессионный анализ, планирование эксперимента.
Нравится учиться, преподавать, доносить сложные вещи понятным языком, взаимодействовать с людьми, размышлять о природе вещей, явлений и концепций.

Отзывы

18
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
Игорь
Пережогин
Нашел Отус по рекламе на hh, и, поскольку интересовался тематикой машинного обучения, решил пойти на курс. К началу курса лично меня интересовало, главным образом, два вопроса: насколько хорошо нужно знать Питон для обучения на курсе, и буду ли я успевать выполнять домашние задания? С учетом пройденного курса, могу сказать так: Питон на курсе, конечно, нужен, но если даже нет большого опыта программирования именно на этом языке, можно осваивать все инструменты по ходу дела, если есть базовые знания в Питоне и, вообще, опыт программирования. При этом, пожалуй, домашнее задание иногда занимало больше времени, чем планировалось, но зато я получил больше практики с Питоном. Касательно времени, потраченного на ДЗ: иногда у меня мог уйти весь выходной (пару раз даже больше), а некоторые получались часа за три-четыре. Кроме того, очень удобно, что нет жестких сроков сдачи ДЗ, и их можно досдавать в конце курса, т.к. если вы работаете это не всегда может получаться вовремя. Хотя, конечно, лучше делать, когда помнишь, что было на занятии.
О самом курсе: в целом, очень хорошее впечатление, на мой взгляд общего вузовского курса математики вполне достаточно для понимания всего, что там преподается. Понравились преподаватели, многое умеют объяснить не просто формально, но и «на пальцах». Особенно хочу поблагодарить Дмитрия Сергеева и Дмитрия Музалевского, которые прочитали большую часть лекций. Они всегда предельно понятно и структурно доносили материал, очень подробно отвечали на вопросы. Кроме этого понравились лекции Андрея Сухобока и Валерия Бабушкина (их было всего по одной).
Из плюсов хочется отметить, что преподаватели всегда стараются сделать акцент на практическое применение полученных знаний и освоенных инструментов. Домашние задания, в целом, тоже на это ориентированы. Отдельно хочу сказать спасибо организаторам и преподавателям за организацию нескольких дополнительных занятий по просьбам учащихся, было интересно!
Читать целиком
Игорь
Романов
Отличный шанс подтянуть свои знания благодаря курсам в OTUS! Во время обучения на курсах я параллельно  учился в одном из технических вузов, так что мне удалось на наглядном примере сравнить преимущества и недостатки разного подхода к учебному процессу.  Я довольно давно интересовался направлением искусственного интеллекта  в  IT сфере, но знания были довольно разрозненные и требовали систематизации. И курс по машинному обучению мне показался хорошим способом сформировать понимание о направлении и закрепить основы.
Основными преимуществами, которые, как мне показалось, курс в OTUS превосходил обучение в университете это:
* онлайн формат обучения - не приходилось тратить пару часов в день на поездки;
* приятно удивила поддержка преподаватели курса,  которые могли ответить даже далеко за полночь;
* профессионализм самих преподавателей, а также подробные примеры для объяснения материала.
Как вариант улучшения курса, я бы хотел добавить возможность для кооперации  с другими студентами курса. К примеру,  какое-то дополнительное  задание (по желанию), которое подразумевало выполнение в компании из нескольких человек.
В целом, курс помог мне сформировать базу для дальнейшего развития в области и представление о том, как будет проходить решение задач на рабочем месте. Надеюсь, этот опыт и знания помогут  успешно пройти собеседования!
Читать целиком
Екатерина
Крутман
Отучилась на инженера-химика-технолога, в аналитике пару лет после 5-летнего менеджерства в нефтянке
На курс пошла по рекомендации знакомого Что понравилось на курсе - преподаватели, непосредственно работающие в данной области. Но иногда отвечают на вопросы с задержками и не информативно
Проходя курс получила общее развитие в данной сфере
Курс супер! Дмитрий Сергеев прирожденный преподаватель - материал преподносит структурировано и всегда отвечает на вопросы.
Читать целиком
Михаил
Белых
Работаю Java разработчиком, но не мог не заинтересоваться "sexiest job of 21st century". Начинал читать книги и статьи про машинное обучение, но, конечно же, необходима практика. Случайно наткнулся на курс OTUS - как раз должно начаться обучение, да и цена приемлемая.
    В итоге, курс очень понравился, много практики, задания очень интересные, разнообразные. Некоторые отнимали пару недель(в принципе, задания можно сделать и быстро, зависит от энтузиазма).  На курсе проходится довольно много тем: основные алгоритмы ML, NLP, сбор данных, временные ряды, понятно, что темы не изучаются глубоко, но дается достаточная база для самостоятельного изучения или, при желании, можно попросить о доп. занятиях на интересующие темы (преподаватели сами это иногда предлагают).
Читать целиком
Сергей
Лебедев
Курс в целом понравился, информации много. Для эффективного усвоения требуется некоторая предварительная подготовка. Это, в первую очередь, математика и Python. Иначе будет местами сложновато.
Программа курса охватывает все основные инструменты ML. Домашние задания в конце каждого модуля тоже очень кстати.
Все преподаватели - практикующие специалисты высокого уровня. Отдельно хочу отметить превосходный стиль изложения материала Дмитрием Сергеевым. Его лекции хорошо структурированы, дополнительный материал в виде ноутбука имеет множество примеров с подробными пояснениями, так что всегда можно освежить полученные знания.
Ещё один положительный момент - отличная поддержка курса. Специалисты отвечают очень оперативно и всегда готовы помочь.
И, наконец, пару минусов...
- Не все преподаватели, к сожалению, умеют хорошо подать материал. Все-таки, знать самому и уметь научить других — это не одно и тоже. Я надеюсь, этот навык разовьётся с опытом. Возможно, Отус мог бы разработать некие формальные критерии для учебных материалов в рамках своих курсов, опираясь на лучшие образцы.
- Некоторые темы мне показались ненужными. Например, целый урок про соревнование на Kaggle или про парсинг веб-страниц.

Образование - сфера непростая, но полезная. Надеюсь, что Отус будет только хорошеть и развиваться. :)
Читать целиком
Николай
Зотов
Курс отличный,
немного напрягает "чехарда" с преподавателями,
к манере подачи материала нужно приспособиться,
а уже новый преподаватель :)

Итоги:
- Получен первый опыт обучения на онлайн курсах, до сего момента за всю длинную практику приходилось самостоятельно искать, а грубо говоря костылить :)
- Толчек в нужном направлении получен, есть понимание где искать, что искать, какие результаты ожидать и как их добиваться.
- Для углубленного понимания утрачено все чему учился в прошлом веке :) и на практике нигде не приходилось сталкиваться, отсюда и такие "тормоза" с домашками, любая сложность и зависает на неопределенный срок.

Предложения:
- Совместный разбор домашних заданий, например по окончанию каждого блока, где можно было бы зафиксировать общие просчеты и наоборот находки.
- Добавить в каждый блок "live coding", что-то похожее было сделано Дмитрием Сергеевым, лично для меня эти занятия были самыми продуктивными и полезными.

Пы.Сы.
Еще раз извиняюсь за свои тормоза с прохождением или лучше сказать непрохождением курса, в силу собственной специфики критическая масса должна накопиться :)
Читать целиком
Александр
Гнусарев
Начну с того, что я шел на курс «Machine Learning. Professional» только ради своего собственного интереса, для расширения кругозора, погружения в новую для себя область. Я не работаю в сфере машинного обучения или анализа данных, не решаю каждый день задачи кластеризации или предсказания, не разрабатываю языковые модели и т.д. Однако я закончил математический факультет, знаком с основами теории вероятности и математической статистики. И не так уж давно, в университете уже познакомился с некоторыми базовыми алгоритмами машинного обучения, но в тот момент я не знал, что те или иные вещи уже применяются в данной сфере. «Machine Learning» раньше был чем-то крутым и не знакомым. Было приятно повторить уже знакомое и узнать достаточно много нового и наконец, сформировать для себя, что же такое «Machine Learning», какие задачи и какими методами он решает.
Думаю, этот курс подойдет тем людям, которые хотят погрузиться в данную область более подробно, уже имея некоторое представление, что собой представляет машинное обучение. Помимо этого, требуется опыт написания программ на языке Python. Хотя бы минимальный.
Курсом я остался доволен. Организация занятий проходит хорошо, если занятия переносятся, то об этом предупреждают. Занятия всегда можно смотреть в записи, конечно, сперва были заминки с размещением материала на сайте, но потом эти проблемы были решены и записи были доступны буквально на следующий день. Это удобно, когда ты находишься в другом часовом поясе, и смотреть эфир не представляется возможным. Помимо этого, выкладываются все материалы занятия: датасеты, на которых демонстрируется материал, сам код, презентации. Исходный код очень помогает в выполнении домашнего задания. В курсе предусмотрено определенное количество домашних заданий. Это позволяет более подробно разобраться в той или иной теме, а иногда и в нескольких темах. По проверке заданий также нет вопросов: происходит довольно быстро, преподаватели указывают на ошибки и предлагают их исправить, советуют как те или иные вещи можно сделать лучше, какие инструменты использовать. Здесь хочу выразить благодарность Марии Тихоновой и Василию Курочкину за помощь в проверке и подсказках в ДЗ.
Отдельная и, конечно, большая благодарность Марии Тихоновой, которая провела у меня большую часть лекций. Слушать данного преподавателя было одно удовольствие: понятное и внятное изложения материала, повторение ключевых моментов и, если оставались вопросы, то их тоже разбирали. Помимо этого, она всегда делилась дополнительными материалами к занятию, отвечала на вопросы в Slack. Хотела донести до аудитории даже тот материал, который выходил за рамки данного курса. Это очень круто!
Спасибо OTUS за совместное времяпровождение моих вечеров в течение этих 5 месяцев!
Читать целиком
Андрей
Ситников
Курсом я по большей части доволен, о затраченных средствах не пожалел.

На курсе рассмотрено множество сфер применения ML, нас познакомили с большим числом техник построения моделей. После окончания есть ощущение, что имеешь комплексное представление о данной области, хотя как на самом деле будет видно при устройстве на работу :)

Считаю плюсом то, что много разных преподавателей, почти у всех есть свои наработанные практики и советы по реальному применению ML в бизнесе.

Все занятия проходили чётко по графику, переносов было минимальное число. На сложных темах вебинары зачастую длились больше запланированных 90 минут.

Обучение на данном курсе у меня состояло из двух этапов. Отведённые 6 месяцев занимался и успешно защитил итоговый проект. Правда, не получилось сделать все домашние задания, поскольку они требовали довольно много времени. Хотя на вебинарах мы разбирали довольно много примеров с кодом, домашние работы это не шаблонные задания методом копипасты, для них нужно перелопачивать много дополнительной информации и учиться отлаживать модели. Затем через несколько месяцев, когда свободного времени стало чуть больше, я обстоятельно пересмотрел и законспектировал все вебинары и сделал невыполненные работы.

Спасибо большое OTUS, буду рекомендовать этот курс знакомым, если они захотят развиваться в направлении Data Science.
Читать целиком
Тагир
Шарифуллин
Хочу выразить благодарность всему коллективу ОТУС и Machine Learning. Professional и в особенности руководителю программы Марие Тихоновой. Благодаря выполненным проектам на курсе и полученным знаниям я смог получить свою первую работу в IT сфере!
Читать целиком
Владимир
Курс охватывает как теоретические основы, так и детали практического применения методов ML. Объем материала огромен, впихнуть его в две лекции в неделю невозможно, поэтому нужно быть готовым к ежедневной самостоятельной работе 1-2 часа.
ДЗ интересные - некоторые очень даже творческие, некоторые взяты с kaggle, но это не отменяет того, что нужно сесть и разобраться в том, как все это работает. Kaggle еще и помогает посмотреть, как это решали другие.
В целом курс оправдал ожидания, теперь создание моделей машинного обучения, формализация задач стала рутинной и простой задачей для меня. Спасибо команде курса!
Читать целиком
Елена
Черная
Курс очень хороший. Я обучалась ML с полного нуля. У меня был опыт на питоне и университетская мат. база, мне этого хватило для полного понимания тем. Хорошие большие практические задания, при их выполнении приходит ясное понимание что и для чего ты делаешь. Но просто слушать уроки недостаточно, некоторые уроки приходится просматривать несколько раз (для усвоения информации) и довольно большое количество доп. материалов, на которые тоже нужно уделять время. В целом, мне все понравилось, спасибо.
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
Игорь
Пережогин
Нашел Отус по рекламе на hh, и, поскольку интересовался тематикой машинного обучения, решил пойти на курс. К началу курса лично меня интересовало, главным образом, два вопроса: насколько хорошо нужно знать Питон для обучения на курсе, и буду ли я успевать выполнять домашние задания? С учетом пройденного курса, могу сказать так: Питон на курсе, конечно, нужен, но если даже нет большого опыта программирования именно на этом языке, можно осваивать все инструменты по ходу дела, если есть базовые знания в Питоне и, вообще, опыт программирования. При этом, пожалуй, домашнее задание иногда занимало больше времени, чем планировалось, но зато я получил больше практики с Питоном. Касательно времени, потраченного на ДЗ: иногда у меня мог уйти весь выходной (пару раз даже больше), а некоторые получались часа за три-четыре. Кроме того, очень удобно, что нет жестких сроков сдачи ДЗ, и их можно досдавать в конце курса, т.к. если вы работаете это не всегда может получаться вовремя. Хотя, конечно, лучше делать, когда помнишь, что было на занятии.
О самом курсе: в целом, очень хорошее впечатление, на мой взгляд общего вузовского курса математики вполне достаточно для понимания всего, что там преподается. Понравились преподаватели, многое умеют объяснить не просто формально, но и «на пальцах». Особенно хочу поблагодарить Дмитрия Сергеева и Дмитрия Музалевского, которые прочитали большую часть лекций. Они всегда предельно понятно и структурно доносили материал, очень подробно отвечали на вопросы. Кроме этого понравились лекции Андрея Сухобока и Валерия Бабушкина (их было всего по одной).
Из плюсов хочется отметить, что преподаватели всегда стараются сделать акцент на практическое применение полученных знаний и освоенных инструментов. Домашние задания, в целом, тоже на это ориентированы. Отдельно хочу сказать спасибо организаторам и преподавателям за организацию нескольких дополнительных занятий по просьбам учащихся, было интересно!
Читать целиком
Игорь
Романов
Отличный шанс подтянуть свои знания благодаря курсам в OTUS! Во время обучения на курсах я параллельно  учился в одном из технических вузов, так что мне удалось на наглядном примере сравнить преимущества и недостатки разного подхода к учебному процессу.  Я довольно давно интересовался направлением искусственного интеллекта  в  IT сфере, но знания были довольно разрозненные и требовали систематизации. И курс по машинному обучению мне показался хорошим способом сформировать понимание о направлении и закрепить основы.
Основными преимуществами, которые, как мне показалось, курс в OTUS превосходил обучение в университете это:
* онлайн формат обучения - не приходилось тратить пару часов в день на поездки;
* приятно удивила поддержка преподаватели курса,  которые могли ответить даже далеко за полночь;
* профессионализм самих преподавателей, а также подробные примеры для объяснения материала.
Как вариант улучшения курса, я бы хотел добавить возможность для кооперации  с другими студентами курса. К примеру,  какое-то дополнительное  задание (по желанию), которое подразумевало выполнение в компании из нескольких человек.
В целом, курс помог мне сформировать базу для дальнейшего развития в области и представление о том, как будет проходить решение задач на рабочем месте. Надеюсь, этот опыт и знания помогут  успешно пройти собеседования!
Читать целиком
Екатерина
Крутман
Отучилась на инженера-химика-технолога, в аналитике пару лет после 5-летнего менеджерства в нефтянке
На курс пошла по рекомендации знакомого Что понравилось на курсе - преподаватели, непосредственно работающие в данной области. Но иногда отвечают на вопросы с задержками и не информативно
Проходя курс получила общее развитие в данной сфере
Курс супер! Дмитрий Сергеев прирожденный преподаватель - материал преподносит структурировано и всегда отвечает на вопросы.
Читать целиком
Михаил
Белых
Работаю Java разработчиком, но не мог не заинтересоваться "sexiest job of 21st century". Начинал читать книги и статьи про машинное обучение, но, конечно же, необходима практика. Случайно наткнулся на курс OTUS - как раз должно начаться обучение, да и цена приемлемая.
    В итоге, курс очень понравился, много практики, задания очень интересные, разнообразные. Некоторые отнимали пару недель(в принципе, задания можно сделать и быстро, зависит от энтузиазма).  На курсе проходится довольно много тем: основные алгоритмы ML, NLP, сбор данных, временные ряды, понятно, что темы не изучаются глубоко, но дается достаточная база для самостоятельного изучения или, при желании, можно попросить о доп. занятиях на интересующие темы (преподаватели сами это иногда предлагают).
Читать целиком
Сергей
Лебедев
Курс в целом понравился, информации много. Для эффективного усвоения требуется некоторая предварительная подготовка. Это, в первую очередь, математика и Python. Иначе будет местами сложновато.
Программа курса охватывает все основные инструменты ML. Домашние задания в конце каждого модуля тоже очень кстати.
Все преподаватели - практикующие специалисты высокого уровня. Отдельно хочу отметить превосходный стиль изложения материала Дмитрием Сергеевым. Его лекции хорошо структурированы, дополнительный материал в виде ноутбука имеет множество примеров с подробными пояснениями, так что всегда можно освежить полученные знания.
Ещё один положительный момент - отличная поддержка курса. Специалисты отвечают очень оперативно и всегда готовы помочь.
И, наконец, пару минусов...
- Не все преподаватели, к сожалению, умеют хорошо подать материал. Все-таки, знать самому и уметь научить других — это не одно и тоже. Я надеюсь, этот навык разовьётся с опытом. Возможно, Отус мог бы разработать некие формальные критерии для учебных материалов в рамках своих курсов, опираясь на лучшие образцы.
- Некоторые темы мне показались ненужными. Например, целый урок про соревнование на Kaggle или про парсинг веб-страниц.

Образование - сфера непростая, но полезная. Надеюсь, что Отус будет только хорошеть и развиваться. :)
Читать целиком
Николай
Зотов
Курс отличный,
немного напрягает "чехарда" с преподавателями,
к манере подачи материала нужно приспособиться,
а уже новый преподаватель :)

Итоги:
- Получен первый опыт обучения на онлайн курсах, до сего момента за всю длинную практику приходилось самостоятельно искать, а грубо говоря костылить :)
- Толчек в нужном направлении получен, есть понимание где искать, что искать, какие результаты ожидать и как их добиваться.
- Для углубленного понимания утрачено все чему учился в прошлом веке :) и на практике нигде не приходилось сталкиваться, отсюда и такие "тормоза" с домашками, любая сложность и зависает на неопределенный срок.

Предложения:
- Совместный разбор домашних заданий, например по окончанию каждого блока, где можно было бы зафиксировать общие просчеты и наоборот находки.
- Добавить в каждый блок "live coding", что-то похожее было сделано Дмитрием Сергеевым, лично для меня эти занятия были самыми продуктивными и полезными.

Пы.Сы.
Еще раз извиняюсь за свои тормоза с прохождением или лучше сказать непрохождением курса, в силу собственной специфики критическая масса должна накопиться :)
Читать целиком
Александр
Гнусарев
Начну с того, что я шел на курс «Machine Learning. Professional» только ради своего собственного интереса, для расширения кругозора, погружения в новую для себя область. Я не работаю в сфере машинного обучения или анализа данных, не решаю каждый день задачи кластеризации или предсказания, не разрабатываю языковые модели и т.д. Однако я закончил математический факультет, знаком с основами теории вероятности и математической статистики. И не так уж давно, в университете уже познакомился с некоторыми базовыми алгоритмами машинного обучения, но в тот момент я не знал, что те или иные вещи уже применяются в данной сфере. «Machine Learning» раньше был чем-то крутым и не знакомым. Было приятно повторить уже знакомое и узнать достаточно много нового и наконец, сформировать для себя, что же такое «Machine Learning», какие задачи и какими методами он решает.
Думаю, этот курс подойдет тем людям, которые хотят погрузиться в данную область более подробно, уже имея некоторое представление, что собой представляет машинное обучение. Помимо этого, требуется опыт написания программ на языке Python. Хотя бы минимальный.
Курсом я остался доволен. Организация занятий проходит хорошо, если занятия переносятся, то об этом предупреждают. Занятия всегда можно смотреть в записи, конечно, сперва были заминки с размещением материала на сайте, но потом эти проблемы были решены и записи были доступны буквально на следующий день. Это удобно, когда ты находишься в другом часовом поясе, и смотреть эфир не представляется возможным. Помимо этого, выкладываются все материалы занятия: датасеты, на которых демонстрируется материал, сам код, презентации. Исходный код очень помогает в выполнении домашнего задания. В курсе предусмотрено определенное количество домашних заданий. Это позволяет более подробно разобраться в той или иной теме, а иногда и в нескольких темах. По проверке заданий также нет вопросов: происходит довольно быстро, преподаватели указывают на ошибки и предлагают их исправить, советуют как те или иные вещи можно сделать лучше, какие инструменты использовать. Здесь хочу выразить благодарность Марии Тихоновой и Василию Курочкину за помощь в проверке и подсказках в ДЗ.
Отдельная и, конечно, большая благодарность Марии Тихоновой, которая провела у меня большую часть лекций. Слушать данного преподавателя было одно удовольствие: понятное и внятное изложения материала, повторение ключевых моментов и, если оставались вопросы, то их тоже разбирали. Помимо этого, она всегда делилась дополнительными материалами к занятию, отвечала на вопросы в Slack. Хотела донести до аудитории даже тот материал, который выходил за рамки данного курса. Это очень круто!
Спасибо OTUS за совместное времяпровождение моих вечеров в течение этих 5 месяцев!
Читать целиком
Андрей
Ситников
Курсом я по большей части доволен, о затраченных средствах не пожалел.

На курсе рассмотрено множество сфер применения ML, нас познакомили с большим числом техник построения моделей. После окончания есть ощущение, что имеешь комплексное представление о данной области, хотя как на самом деле будет видно при устройстве на работу :)

Считаю плюсом то, что много разных преподавателей, почти у всех есть свои наработанные практики и советы по реальному применению ML в бизнесе.

Все занятия проходили чётко по графику, переносов было минимальное число. На сложных темах вебинары зачастую длились больше запланированных 90 минут.

Обучение на данном курсе у меня состояло из двух этапов. Отведённые 6 месяцев занимался и успешно защитил итоговый проект. Правда, не получилось сделать все домашние задания, поскольку они требовали довольно много времени. Хотя на вебинарах мы разбирали довольно много примеров с кодом, домашние работы это не шаблонные задания методом копипасты, для них нужно перелопачивать много дополнительной информации и учиться отлаживать модели. Затем через несколько месяцев, когда свободного времени стало чуть больше, я обстоятельно пересмотрел и законспектировал все вебинары и сделал невыполненные работы.

Спасибо большое OTUS, буду рекомендовать этот курс знакомым, если они захотят развиваться в направлении Data Science.
Читать целиком
Тагир
Шарифуллин
Хочу выразить благодарность всему коллективу ОТУС и Machine Learning. Professional и в особенности руководителю программы Марие Тихоновой. Благодаря выполненным проектам на курсе и полученным знаниям я смог получить свою первую работу в IT сфере!
Читать целиком
Владимир
Курс охватывает как теоретические основы, так и детали практического применения методов ML. Объем материала огромен, впихнуть его в две лекции в неделю невозможно, поэтому нужно быть готовым к ежедневной самостоятельной работе 1-2 часа.
ДЗ интересные - некоторые очень даже творческие, некоторые взяты с kaggle, но это не отменяет того, что нужно сесть и разобраться в том, как все это работает. Kaggle еще и помогает посмотреть, как это решали другие.
В целом курс оправдал ожидания, теперь создание моделей машинного обучения, формализация задач стала рутинной и простой задачей для меня. Спасибо команде курса!
Читать целиком
Елена
Черная
Курс очень хороший. Я обучалась ML с полного нуля. У меня был опыт на питоне и университетская мат. база, мне этого хватило для полного понимания тем. Хорошие большие практические задания, при их выполнении приходит ясное понимание что и для чего ты делаешь. Но просто слушать уроки недостаточно, некоторые уроки приходится просматривать несколько раз (для усвоения информации) и довольно большое количество доп. материалов, на которые тоже нужно уделять время. В целом, мне все понравилось, спасибо.
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
Корпоративное обучение для ваших сотрудников
Поможем вашей компании развивать команду! Профиты данного курса для компании: Подробное изучение самых популярных баз данных с возможностью сосредоточиться на тех, которые используются в компании / Оптимизированные стабильные системы / Работа над промышленными задачами во время практики
>
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
C 28 сентября
Тема 1. Вводный урок. Программа курса. Повторение основных концепций машинного обучения
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
Тема 8. Методы уменьшения размерности
Тема 9. Обучение без учителя. K-means
Тема 10. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 11. Поиск аномалий в данных
Тема 12. Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 13. Алгоритмы на графах
Тема 14. Алгоритмы на графах: продолжение
C 21 ноября
Тема 15. Введение в нейросети
Тема 16. Продвинутые методы оптимизации , backpropagation и обучение нейронных сетей
Тема 17. PyTorch
Тема 18. Борьба с переобучение нейросетей, взрыв и затухание градиентов
Тема 19. Сверточные сети (Convolutional Neural Networks)
Тема 20. Рекуррентные сети
C 19 декабря
Тема 21. Сбор данных
Тема 22. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 23. Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами
Тема 24. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 25. Анализ текстовых данных. Часть 4: Тематическое моделирование
Тема 26. Q&A + бонусная практика по трансформерам
C 16 января
Тема 27. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 28. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 29. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
C 25 января
Тема 30. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 31. Рекомендательные системы. Часть 2: Продвинутые алгоритмы SVD и ALS (РС)
Тема 32. Рекомендательные системы. Часть 3: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 33. Практическое занятие по рекомендательным системам. Surpsise
Тема 34. Q&A
C 13 февраля
Тема 35. ML в Apache Spark
Тема 36. Поиск Data Science работы
C 20 февраля
Тема 37. Выбор темы и организация проектной работы
Тема 38. Предзащита проектных работ №1
Тема 39. Предзащита проектных работ №2
Тема 40. Защита проектных работ
Тема 41. Занятие «Что лежит в основе ChatGPT? (Бонус)»
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

None

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 в прохождении собеседований;

Дата выдачи сертификата: 3 апреля 2024 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine Learning. Professional»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine Learning. Professional»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 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.
Алгоритм PCA как один из популярных Unsupervised алгоритмов ML
Мария Тихонова
День открытых дверей
2 ноября 2021 года в 18:00
Для доступа ко всем прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 2 недели
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Стоимость обучения
Cтоимость указана для оплаты физическими лицами. Подробнее
90 400 ₽
Продолжительность
5 месяцев
Начало занятий
28 сентября