Machine learning: современные методы анализа данных и инструменты Data Science

Курсы

Курсы в разработке Подготовительные курсы
+7 499 110-61-65

Machine learning

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

Длительность

5 месяцев

Начало

28 февраля

Занятия

Пт 20:00, Пн 20:00

Общая стоимость

50 000 ₽

В месяц

12 500 ₽

В кредит:

12500 ₽ в месяц

Хочу дешевле
Общая стоимость
50 000 ₽
В месяц: 12 500 ₽
В кредит: 50000 ₽
в месяц
Продолжительность
5 месяцев, 4 академ. часа в неделю
Пт 20:00, Пн 20:00
Начало занятий
28 февраля
Что даст вам этот курс

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

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

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

Для кого этот курс
Профессиональная программа разработана специально для разработчиков и аналитиков, которые хотят значительно расширить свои возможности и получить необходимый набор знаний и навыков для смены своей профессии.
Как я взял золото на Kaggle. Разбор задач, 6 февраля в 20:00
На бесплатном вебинаре Валерий Бабушкин (Competitions Grandmaster на Kaggle, top 30) разберёт несколько задач с соревнований, на которых он взял золото, и поделится секретами побед.

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

А также вы сможете задать любые вопросы по Machine learning и выяснить всё, что хотели узнать, но боялись спросить!
Ведет
Валерий
Бабушкин
Предыдущий открытый вебинар
Анализ текстовых данных: тематическое моделирование комментариев Вконтакте, 17 февраля в 20:00
На бесплатном вебинаре вы изучите:
- препроцессинг грязных данных;
- использование модели LDA;
- визуализацию топиков;
- построение тематический профилей.

А также сможете задать любые вопросы по Machine learning и выяснить всё, что хотели узнать, но боялись спросить!
Дмитрий
Сергеев
Предыдущий открытый вебинар
Всё о курсе «Machine Learning», 24 февраля в 20:00
День Открытых Дверей — отличная возможность задать все вопросы по Machine learning, узнать подробнее о программе курса, особенностях онлайн-формата, навыках, компетенциях и перспективах, которые ждут выпускников после обучения.

Также преподаватель расскажет о себе и своём профессиональном опыте. Запишитесь на онлайн-трансляцию и задайте свой вопрос в прямом эфире!
Дмитрий
Сергеев
Предыдущий день открытых дверей
Преподаватели
Дмитрий Сергеев
Senior Data Scientist в Oura
Валерий Бабушкин
Директор по моделированию и анализу данных в X5 Retail Group/советник в Yandex
Андрей Сухобок
Research Associate, Aalto University, Finland
Дмитрий Музалевский
Lead Data Scientist в Koerber Digital
Антон Лоскутов
Data Scientist в Mail.Ru Group
Программирую и практикую анализ данных с 2012 года. Последние 3 года работал Data Scientist в компании ZeptoLab, где занимался всеми проектами, связанными с машинным обучением. В настоящий момент получаю степень магистра в университете Aalto в Финляндии.

Преподавал машинное обучение и анализ данных в Центре Математических Финансов МГУ, был приглашенным лектором на Факультете Компьютерных Наук НИУ ВШЭ и различных летних школах.

Образование: Эконом-мат РЭУ им. Плеханова, ЦМФ МГУ, ДПО ФКН ВШЭ “Практический анализ данных и машинное обучение”, MSc Aalto University

Стек/интересы: Python, Machine Learning, Time Series, Anomaly Detection

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

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

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

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

Преподаватель
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
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: магистратура МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; бакалавриат НИУ МАИ "Математические методы в экономике и маркетинге".

Преподаватель
Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Сейчас заканчивает обучение в МГУ имени М. В. Ломоносова на механико-математическом факультете.

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

Преподаватель
Дмитрий
Сергеев
Валерий
Бабушкин
Андрей
Сухобок
Дмитрий
Музалевский
Антон
Лоскутов
Преподаватели
Дмитрий Сергеев
Senior Data Scientist в Oura
Программирую и практикую анализ данных с 2012 года. Последние 3 года работал Data Scientist в компании ZeptoLab, где занимался всеми проектами, связанными с машинным обучением. В настоящий момент получаю степень магистра в университете Aalto в Финляндии.

Преподавал машинное обучение и анализ данных в Центре Математических Финансов МГУ, был приглашенным лектором на Факультете Компьютерных Наук НИУ ВШЭ и различных летних школах.

Образование: Эконом-мат РЭУ им. Плеханова, ЦМФ МГУ, ДПО ФКН ВШЭ “Практический анализ данных и машинное обучение”, MSc Aalto University

Стек/интересы: Python, Machine Learning, Time Series, Anomaly Detection

Руководитель программы
Валерий Бабушкин
Директор по моделированию и анализу данных в X5 Retail Group/советник в Yandex
Валерий Бабушкин входит в ТОП-30 лучших специалистов по Data Science в мире по рейтингу Kaggle.

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

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

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

Преподаватель
Андрей Сухобок
Research Associate, Aalto University, Finland
Специалист по машинному обучению и участник проекта по анализу текстов в Институте Гайдара. Получает степень магистра по Machine Learning в университете Aalto в Финляндии.

Занимался рядом проектов на стыке двух дисциплин (машинного обучения и экономики). Работал в отделе Deloitte Analytics Institute в компании Deloitte (отдел разрабатывал продукты на основе машинного обучения для внутренних нужд компании и внешних заказчиков). Также занимался анализом GPS-данных различного транспорта для ЦОДД Москвы.

Имеет разносторонний бэкграунд и широкий спектр интересов: Python, Machine Learning, Natural Language Processing, Neural Networks, Statistical Modelling.

Образование:
— НИУ ВШЭ, «Математические методы анализа экономики»;
— Центр математических финансов МГУ им. М.В. Ломоносова, программа «Анализ Данных»;
— ДПО ФКН НИУ ВШЭ, программа «Deep Learning: расширенный курс»;
— Aalto University (Finland), MSc, Machine Learning.

Преподаватель
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: магистратура МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; бакалавриат НИУ МАИ "Математические методы в экономике и маркетинге".

Преподаватель
Антон Лоскутов
Data Scientist в Mail.Ru Group
Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Сейчас заканчивает обучение в МГУ имени М. В. Ломоносова на механико-математическом факультете.

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

Преподаватель
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).
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.
Программа обучения
Модуль 1
Основные методы машинного обучения
Модуль 2
Продвинутые методы машинного обучения
Модуль 3
Рекомендательные системы. Анализ текстовых данных, графов и временных рядов.
Модуль 4
Big Data & нейронные сети
Модуль 5
Подготовка к соревнованиям kaggle
Модуль 6
Проектная работа
Основные методы машинного обучения
Тема 1: Введение в машинное обучение
обзор курса. Знакомство со стандартными задачами по
машинному обучению. Понимание общего подхода: Exploratory Data Analysis
and Preprocessing -> Models and experiments -> Production.
28 февраля, 20:00 — 21:30
Тема 2: Базовые инструменты анализа данных в Python
рабочее окружение Python. Функционал базовых библиотек для
работы с данными: Numpy, Pandas, scikit-learn.
2 марта, 20:00 — 21:30
Тема 3: Exploratory Data Analysis and Preprocessing
основные принципы и методы разведочного анализа данных.
Преобразование данных в подходящий для моделей формат. Использование
статистического анализа и визуализации для знакомства с данными.
6 марта, 20:00 — 21:30
Домашние задания: 1
1 Практика EDA, знакомство с данными, построение визуализаций
Цель: В этом домашнем задании вам предстоит провести первичный анализ данных (EDA) и познакомиться с достаточно небольшим, но интересным датасетом по раку груди. Признаками в этом наборе данных являются различные измерения образований в груди, такие как радиус, симметричность, и т.д. Целевой переменной является диагноз - является ли новообразование злокачественным или нет.
Тема 4: Задача классификации. Метод ближайших соседей (kNN)
алгоритм kNN. Влияние нормализации данных в kNN. Структуры
данных для оптимизации kNN. Метрики оценки качества классификации. Кросс-
валидация.
9 марта, 20:00 — 21:30
Тема 5: Задача регрессии. Линейная регрессия
линейная регрессия - метод наименьших квадратов и
градиентный спуск. Вероятностная трактовка линейной регрессии.
Полиномиальная регрессия. Регуляризация в линейной регрессии. Метрики
оценки качества регрессии.
13 марта, 20:00 — 21:30
Домашние задания: 1
1 Построение модели линейной регрессии, настройка гиперпараметров на кросс-валидации, интерпретация коэффициентов.
Цель: В этом дз вы потренируетесь строить интерпретируемые модели линейной регрессии с регуляризацией и без. Снова пройдемся по основным этапам работы с данными и на выходе получим модели, способные предсказывать цены на жильё в AirBnb.
Тема 6: Логистическая регрессия
реализации логистической регрессии с помощью метода
с тохас тического градиентного спуска. Регуляризация и подбор
гиперпараметров.
16 марта, 20:00 — 21:30
Домашние задания: 1
1 Построение модели логистической регрессии, настройка гиперпараметров на кросс-валидации, интерпретация коэффициентов.
Цель: В этом домашнем задании вы потренируетесь в настройке модели логистической регрессии, подборе коэффициента регуляризации и интерпретации результатов.
Тема 7: Feature engineering & advanced preprocessing
отбор признаков. Преобразование признаков для повышения
точности модели. Устранение несбалансированности выборки.
20 марта, 20:00 — 21:30
Домашние задания: 1
1 Feature Engineering&Feature Selection
Цель: Повторить вычисления из лекции на данном датасете: https://archive.ics.uci.edu/ml/datasets/Adult
Тема 8: Практическое занятие по темам, изученным в первом модуле
повторение – мать учения.
23 марта, 20:00 — 21:30
Продвинутые методы машинного обучения
Тема 1: Метод опорных векторов
метод опорных векторов (SVM), интерпретация. Случай линейно
неразделимых данных. Kernel trick. Примеры SVM в sklearn.
27 марта, 20:00 — 21:30
Домашние задания: 1
1 Построение SVM и выбор оптимального ядра.
Тема 2: Бонусный урок
30 марта, 20:00 — 21:30
Тема 3: Деревья решений
программа: Классификация и регрессия с помощью деревьев решений. Обзор
алгоритмов. Алгоритм CART. Выбор оптимального сплита, суррогатный сплит.
Обзор реализации в sklearn.
3 апреля, 20:00 — 21:30
Тема 4: Ансамбли моделей
ансамблирование. Случайный лес. Бэггинг, стэкинг, блэндинг.
6 апреля, 20:00 — 21:30
Домашние задания: 1
1 Построение и настройка модели случайного леса. Визуализация важности признаков.
Тема 5: Градиентный бустинг
теория градиентного бустинга. XGBoost, CatBoost, LightGBM.
Применение библиотеки ELI5 для интерпретации моделей.
10 апреля, 20:00 — 21:30
Домашние задания: 1
1 Сравнение трех разобранных алгоритмов бустинга и подбор гиперпараметров для получения лучшего качества.
Тема 6: Обучение без учителя. K-means, EM алгоритм
обучение без учителя. Алгоритмы кластеризации, области
применения. K-means. Оценка качества обучения, ограничения и подбор
алгоритма для задачи. Алгоритмы с lower-bound. EM алгоритм.
13 апреля, 20:00 — 21:30
Домашние задания: 1
1 Настройка числа кластеров в алгоритме K-Means. Elbow и Silhouette метод.
Тема 7: Обучение без учителя. Иерархическая кластеризация. DB-Scan
иерархическая кластеризация. DB-Scan. Спектральная
кластеризация.
17 апреля, 20:00 — 21:30
Домашние задания: 1
1 Построение различных вариантов кластеризаций и интерпретация результатов.
Тема 8: Методы уменьшения размерности
метод главных компонент (Principle component analysis). Метод t-
SNE. Примеры визуализации с помощью метода t-SNE.
20 апреля, 20:00 — 21:30
Тема 9: Поиск аномалий в данных
статистические методы нахождения выбросов. Вероятностные
методы. One-Class SVM, Isolation Forest.
24 апреля, 20:00 — 21:30
Домашние задания: 1
1 Практический проект по построению системы поиска аномалий.
Рекомендательные системы. Анализ текстовых данных, графов и временных рядов.
Тема 1: Сбор данных
открытые источники данных. Использование API. Парсинг и
создание своих датасетов.
27 апреля, 20:00 — 21:30
Домашние задания: 1
1 Практический проект по написанию собственного парсера.
Тема 2: Анализ текстовых данных. Часть 1
задача обработки текста. Введение, обзор задач, токенизация,
лемматизация, TF-IDF. Обзор библиотек для работы с русским и английским языками.
1 мая, 20:00 — 21:30
Домашние задания: 1
1 Практический проект по предсказанию рейтинга фильма.
Тема 3: Анализ текстовых данных. Часть 2
тематическое моделирование. Общая схема решения задач NLP.
4 мая, 20:00 — 21:30
Домашние задания: 1
1 Тематическое моделирование на данных Вконтакте: использование модели LDA, визуализация топиков, построение тематических профилей.
Тема 4: Анализ текстовых данных. Часть 3. Практическое занятие
векторные представления слов, word2vec. Примеры задач NLP,
создание диалоговых систем.
8 мая, 20:00 — 21:30
Тема 5: Рекомендательные системы. Часть 1
коллаборативная фильтрация. Проблема «холодного старта».
Метрики оценки качества рекомендательной системы.
11 мая, 20:00 — 21:30
Тема 6: Рекомендательные системы. Часть 2
контентная фильтрация, гибридные подходы. Ассоциативные
правила.
15 мая, 20:00 — 21:30
Домашние задания: 1
1 Практический проект по созданию рекомендательной системы.
Тема 7: Анализ временных рядов. Часть 1
постановка задачи. Простейшие методы. Экспоненциальное
сглаживание. Семейство ARIMA.
18 мая, 20:00 — 21:30
Тема 8: Анализ временных рядов. Часть 2
извлечение признаков и применение моделей машинного
обучения. Автоматическое прогнозирование.
22 мая, 20:00 — 21:30
Домашние задания: 1
1 Построение прогноза временного ряда с использованием изученных методов.
Тема 9: Алгоритмы на графах
анализ социальных сетей. Метрики на графах. Выделение
сообществ.
25 мая, 20:00 — 21:30
Домашние задания: 1
1 Анализ графа друзей Вконтакте. Визуализация в NetworkX.
Тема 10: АБ тестирование
тестирование гипотез. Постановка задачи. Терминология,
мощность, статистическая значимость. Параметрические и непараметрические методы.
29 мая, 20:00 — 21:30
Домашние задания: 1
1 Практика по проверке АБ-тестов.
Big Data & нейронные сети
Тема 1: Работа с Big Data. Часть 1
адаптация алгоритмов к batch-learning. SGD. Vowpal Wabbit.
1 июня, 20:00 — 21:30
Домашние задания: 1
1 Настройка моделей машинного обучения в Vowpal Wabbit.
Тема 2: Работа с Big Data. Часть 2
облачные технологии для работы с Big Data: Amazon Web
Services, Google Cloud. Создание виртуальных машин, распределенные вычисления.
5 июня, 20:00 — 21:30
Домашние задания: 1
1 Запуск собственной виртуальной машины и построение моделей в облаке.
Тема 3: Работа с Big Data. Часть 3
spark, принципы работы и архитектуры. Построение моделей
машинного обучения при помощи PySpark API.
8 июня, 20:00 — 21:30
Тема 4: Нейронные сети и глубокое обучение
начальные сведения о нейронных сетях. Примеры использования
нейронных сетей.
12 июня, 20:00 — 21:30
Подготовка к соревнованиям kaggle
Разбор соревнований с kaggle.
Преподаватель: Валерий Бабушкин (kaggle grandmaster).
Тема 1: Тренировка по ML №1
stacking, ensemble learning
15 июня, 20:00 — 21:30
Лектор: Валерий Бабушкин
Тема 2: Тренировка по ML №2
adversarial validation, pseudo-labeling
19 июня, 20:00 — 21:30
Лектор: Валерий Бабушкин
Проектная работа
Тема 1: Вводное занятие по проектной работе
проект включает в себя следующие этапы:
1. Постановка задачи. Предлагается самостоятельно найти предметную
область и обосновать применение в ней машинного обучения
2. Разработка данных. Одно из требований к проекту - использование
данных из открытых источников. Необходимо разработать процесс сбора
и очистки данных
3. Поиск алгоритма и модели для решения задачи. Необходимо выполнить
подготовку данных, выбрать алгоритм и подобрать параметры для
построения модели
4. Использование модели для достижения поставленной цели
5. Построение процесса. Решение задачи необходимо оформить в единый
процесс по обработке данных от источника до предсказания, не
требующий участия эксперта
6. Обоснование процесса.
22 июня, 20:00 — 21:30
Домашние задания: 1
1 Проектная работа
Тема 2: Бонус: поиск Data Science работы
примеры тестовых заданий и вопросов с собеседований.
26 июня, 20:00 — 21:30
Тема 3: Консультация по проекту
29 июня, 20:00 — 21:30
Тема 4: Защита проектов
3 июля, 20:00 — 21:30
Домашние задания: 1
1 Сдать проект
Выпускной проект
Выпускной проект — возможность закрепить навыки, наработанные в процессе обучения. Это практическое применение изучения всех этапов работы с данными: начиная от сбора и очистки и заканчивая построением модели и презентацией результатов потенциальному заказчику.
Прошедшие открытые вебинары по курсу
Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.
Поиск аномалий в данных
Дмитрий Сергеев
День открытых дверей
19 ноября 2019 года в 20:00
Для доступа к прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 2 недели
Результаты тестирования будут отправлены вам на e-mail, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Пройти вступительное тестирование
После обучения вы

  • заберете с собой learn-материалы по всем занятиям (презентации, записи вебинаров, примеры практических задач);

  • получите сертификат на русском о прохождении курса;

  • научитесь использовать методы машинного обучения для решения реальных бизнес-задач;

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

  • получите приглашение пройти собеседование в компаниях-партнерах OTUS в Москве (в случае успешного обучения на курсе).

Дата выдачи сертификата: 1 сентября 2020 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine learning»
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 2018г.

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Machine learning»
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 2018г.
Общая стоимость
50 000 ₽
В месяц: 12 500 ₽
В кредит: ₽ в месяц
Продолжительность
5 месяцев
Начало занятий
28 февраля