Machine Learning. Professional

Научитесь работать с важнейшими моделями машинного обучения на практике с реальными данными.

27 декабря

Professional

5 месяцев

Онлайн

Пн/Ср 20:00 Мск

Для кого этот курс?

  • Для начинающих аналитиков и Data Scientist’ов. 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 работы с Python на уровне написания собственных функций, а также знание мат.анализа, линейной алгебры, теории вероятностей и мат. статистики.

Необходимые знания:

  • базовое знакомство с Python
  • базовые знания линейной алгебры, математического анализа, математической статистики
  • базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия)

Нужен курс посложнее?

Сравнение с курсом Machine Learning. Advanced

При поддержке
логотип партнера

Что даст вам этот курс ?

Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков каждый алгоритм вы будуте применять на практике на реальных данных.

Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.

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:

  • методы автоматической работы с текстом

  • прогнозирования временных рядов при помощи машинного обучения 
  • методы построения рекомендательных систем
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.

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.

Процесс обучения

Обучение проходит онлайн: вебинары, общение с преподавателями и вашей группой в Telegram, сдача домашних работ и получение обратной связи от преподавателя.

Вебинары проводятся 2 раза в неделю по 2 ак. часа и сохраняются в записи в личном кабинете. Вы можете посмотреть их в любое удобное для вас время.

В ходе обучения вы будете выполнять домашние задания. Каждое из них посвящено одному из компонентов вашего выпускного проекта.

После выполнения всех домашних заданий вы получите готовый выпускной проект.

Оптимальная нагрузка

Возможность совмещать учебу с работой.

Эксперты

Преподаватели из разных сфер, каждый со своим уникальным опытом.

Перспективы

Сможете претендовать на позицию Data Scientist Junior + / Middle+ в зависимости от вашего базового уровня

Трудоустройство

Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности. 

  • Получите помощь с оформлением резюме, портфолио и сопроводительного письма
  • Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров

Data Scientist

Перспективы направления
Средний уровень зарплат в Москве:
100 000Junior+ специалист
200 000Middle+ специалист
350 000Senior специалист
1580
актуальных вакансий

Работодатели курса

Формат обучения

Интерактивные вебинары


2 занятия по 2 ак.часа в неделю.
Доступ к записям и материалам остается навсегда.

Обратная связь


Домашние задания с поддержкой и обратной связью наших преподавателей помогут освоить изучаемые технологии.

Активное комьюнити


Чат в Telegram для общения преподавателей и студентов.

Программа

Продвинутые методы машинного обучения: обучение с учителем

Первый модуль познакомит вас с различными продвинутыми моделями машинного обучения для задач обучения с учителем (регрессия и классификация), начиная от классических методов деревьев решений и заканчивая продвинутыми методами градиентного бустинга.

Тема 1: 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

Продвинутые методы машинного обучения: обучение без учителя

Второй модуль посвящен алгоритмам для задачи обучения без учителя, в нем вы познакомитесь с различными способами кластеризации, такими как алгоритм k средних и DBSAN, методами снижения размерности и методами работы с новым типом данных - графами.

Тема 1: Методы уменьшения размерности

Тема 2: Обучение без учителя. K-means

Тема 3: Обучение без учителя. Иерархическая кластеризация. DB-Scan

Тема 4: Поиск аномалий в данных

Тема 5: Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей

Тема 6: Алгоритмы на графах

Тема 7: Алгоритмы на графах: продолжение

Введение в Deep Learning

В этом модуле мы коснёмся методов Deep Learning и работы с нейронными сетями. Вы узнаете принципы работы и обучения нейронных сетей, а также освоите нейросетевые архитектуры для работы с изображениями (сверточные нейросети) и последовательностями (рекурретные нейросети).

Тема 1: Введение в нейросети

Тема 2: Продвинутые методы оптимизации, backpropagation и обучение нейронных сетей

Тема 3: PyTorch

Тема 4: Борьба с переобучение нейросетей, взрыв и затухание градиентов

Тема 5: Сверточные сети (Convolutional Neural Networks)

Тема 6: Рекуррентные сети

Тема 7: Q&A

Сбор данных. Анализ текстовых данных

В этом модуле вы научитесь работать с одним из самых распространенных типов данных - текстом. Мы разберём различные способы предобработки текста, которые позволяют использовать его в качестве признаков для моделей машинного обучения. Мы изучим такие полезные задачи, как тематическое моделирование, распознавание именованных сущностей (NER) и работу с векторными представлениями слов. Также вы научитесь заниматься парсингом данных, который позволит вам собирать и создавать свои собственные уникальные датасеты для анализа.

Тема 1: Сбор данных

Тема 2: Анализ текстовых данных. Часть 1: Предобработка и токенизация

Тема 3: Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами

Тема 4: Анализ текстовых данных. Часть 3: Named Entity Recognition

Тема 5: Анализ текстовых данных. Часть 4: Тематическое моделирование

Тема 6: Q&A + бонусная практика по трансформерам

Анализ временных рядов

В этом модуле вы познакомитесь с еще одним распространенным типом данных - временными рядами. Мы разберем как классические методы работы с временными рядами, включая ARIMA-модель, так и продвинутые способы извлечения признаков и применения машинного обучения. Также мы научимся решать задачу кластеризации, используя временные ряды, на примере финансовых котировок.

Тема 1: Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель

Тема 2: Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование

Тема 3: Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)

Рекомендательные системы

В этом модуле мы будем работать с различными типами рекомендательных систем. Разберем постановку задачи, познакомимся с популярными метриками качества и основными видами моделей рекомендательных систем. Также мы научимся работать с одной из самых популярных питоновских библиотек для рекомендательных систем.

Тема 1: Ведение в рекомендательные системы

Тема 2: Эвристические модели. Коллаборативная фильтрация.

Тема 3: Контентная фильтрация, гибридные подходы. Ассоциативные правила

Тема 4: Методы матричной факторизации.

Тема 5: Практическое занятие по рекомендательным системам. Тюнинг моделей матричной факторизации.

Тема 6: ML в Apache Spark

Проектная работа

Заключительный месяц курса посвящен проектной работе. Свой проект — это то, над чем интересно поработать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.

Тема 1: Выбор темы и организация проектной работы

Тема 2: Предзащита проектных работ №1

Тема 3: Предзащита проектных работ №2

Тема 4: Защита проектных работ

Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит

Проектная работа


Мы стремимся, чтобы студенты 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 можно рассказывать во время собеседований или даже публиковать статьи. Примеры таких выпускных проектов:
1. Тематическое моделирование форума 2. Анализ изображений с помощью классического ML

Преподаватели

Руководитель курса

Мария Тихонова

PhD Computer Science, Senior Data Scientist

SberDevices, ВШЭ

Вадим Заигрин

Ведущий консультант

IBS

Антон Витвицкий

Director of Computer Vision

Boost Arria NLG

Андрей Канашов

Senior Data Scientist

BestDoctor

Виталий Сидоренко

Senior Data Scientist

Магнит

Раиль Сулейманов

Machine Learning Engineer

Garage IT

Евгений Романов

Data Scientist

Газпромбанк

Валентин Шкулов

Data Scientist

Meson Capital Partners

Александр Брут-Бруляко

DS инженер (к.э.н.)

СБЕР Neurolab

Алексей Кисляков

преподаватель/ученый-исследователь (д.э.н., к.т.н.)

Российская академия народного хозяйства и государственной службы при Президенте РФ (Владимирский филиал)

Вероника Иванова

Data Scientist

Домклик

Дмитрий Гайнуллин

Machine Learning Engineer

AIC

Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания

Ближайшие мероприятия

Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.

Ассоциативные правила в теории рекомендательных систем
Мария Тихонова
Вы узнаете: Ассоциативные правила активно используются в рекомендательных системах для рекомендации товаров пользователям. На вебинаре мы изучим теорию ассоциативных правил и применим полученные знания на практике.

Кому подходит: как и в других ОУ по ML-prof с прошлого запуска

Результаты урока:
- как применять ассоциативные правила в рекомендательных системах
- узнаете, как искать ассоциативные правила в покупательских корзинах
- вы сможете находить ассоциативные правила инструментами Python
...
4 декабря в 15:00
Открытый вебинар
Langchain - делаем AI chat бота поверх ваших документов
Александр Брут-Бруляко
Обсудим что такое AI chat bot.
Рассмотрим что такое эмбеддинги и векторизация текстов
Рассмотрим задачу векторного поиска и векторные базы данных
Обсудим промпт-инжиниринг
Установим и запустим проект AI чат бота на фреймворке Langhain
Обсудим проблему сегментации текстов и суммаризации контекста диалога

Кому подходит этот урок:

- IT-специалистам, которые хотят быстро создавать прототипы AI чат ботов
- Продуктологам и менеджерам ИТ прокетов, кто задумывается о создании и использовании AI ботов
- Бизнес пользователям кто хотел бы в своих проектах или бизнесе создать AI чат бота

Результаты урока: Вы узнаете как работать с Langchain, как использовать языковые модели для ответов с учетом вашей базы знаний
...
19 декабря в 17:00
Открытый вебинар

Прошедшие
мероприятия

Мария Тихонова
Открытый вебинар
Bagging, Random Forest, стекинг - ансамбли моделей для решения ML задач
Мария Тихонова
Открытый вебинар
Алгоритм PCA как один из популярных Unsupervised алгоритмов ML
Для доступа ко всем прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 3 дня
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!

Корпоративное обучение для ваших сотрудников

Отус помогает развивать высокотехнологичные Команды. Почему нам удаётся это делать успешно:
  • Курсы OTUS верифицированы крупными игроками ИТ-рынка и предлагают инструменты и практики, актуальные на данный момент
  • Студенты работают в группах, могут получить консультации не только преподавателей, но и профессионального сообщества
  • OTUS проверяет знания студентов перед стартом обучения и после его завершения
  • Простой и удобный личный кабинет компании, в котором можно видеть статистику по обучению сотрудников
  • Сертификат нашего выпускника за 5 лет стал гарантом качества знаний в обществе
  • OTUS создал в IT более 120 курсов по 7 направлениям, линейка которых расширяется по 40-50 курсов в год

Отзывы

Михаил Белых

05.03.2021
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).

Сергей Лебедев

12.04.2021
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. :)

Александр Гнусарев

25.11.2021
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!

Андрей Ситников

04.02.2022
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.

Тагир Шарифуллин

16.08.2022
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!

Васильев Владимир

13.11.2022
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!

Елена Черная

12.04.2023
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.

Наталья Золотарева

08.11.2023
Мне всегда было интересно попробовать свои силы в работе с ИИ и анализе данных, но не хватало смелости сделать шаг к обучению в этом направлении. Когда же я решилась, то выбрала специальность Machine Learning от Otus. Я четко знала направление, которое хочу изучить, поэтому выбрала сразу специальность из 2-х этапов. Одной из причин моего выбора была программа, рассчитанная на новичков. До обучения в Otus я не была связана с IT и работала в сфере аналитической химии на производстве, поэтому всерьез опасалась, что не справлюсь. На этом курсе обучение начиналось с основ и, хотя, мне пришлось немного подтянуть python, подача материала была настолько доступной, что у меня не возникло трудностей с пониманием. Очень понравился формат обучения: лекции 2 раза в неделю, доступные затем в записи, и домашние задания с мягким дедлайном. Если нет времени посетить занятие или задание требует дополнительного изучения, всегда можно заниматься в своем темпе. Если говорить о домашних заданиях, то они совсем не простые. Именно выполнение заданий давало мне понимание материала. В моем случае, при просмотре лекций я ухватывала суть, но не могла уловить нюансы реализации, а на практических задачах они все и выплывали. Были, конечно, и очень сложные для меня темы, когда я над одним заданием работала по 3 недели, но для меня это был основной компонент обучения. И их именно столько сколько нужно, с большим количеством домашних заданий я бы не справилась. Это была моя любимая часть учебы. Было очень интересно! Еще один момент, который мне бы хотелось отметить, это итоговый проект. Здорово, что выбор темы ничем не ограничен. Было увлекательно провести полностью самостоятельное исследование и систематизировать результаты. Теперь, окончив курс, я знаю современное состояние отрасли ML, понимаю как работают основные технологии в этом направлении и могу использовать их в своей работе.

Кирилл Четвертков

08.11.2023
Это реально очень классный курс, дает базу. И NLP затронут, и модели.  Выступления Тихоновой очень интересны, видно что ей самой очень интересно давать материал. Я не успевал выполнять ДЗ, но итоговую работу сделать - дело чести. После курса ML professional записался на курс CV, потому что он ближе всего к Deep Learning. Пока моя работа не связана с применением ML, я Kotlin разработчик, но мне очень интересно разобраться как ML и DL работает.

Сертификат о прохождении курса

OTUS осуществляет лицензированную образовательную деятельность.
В конце обучения вы получите сертификат OTUS о прохождении курса.

После обучения вы:

  • заберете с собой полный комплект обучающих материалов: видеозаписи всех вебинаров, презентации к занятиям и другие дополнительные материалы
  • получите все необходимые навыки для работы в Data Science
  • пополните свое портфолио новыми работами для будущего работодателя
  • получите сертификат о прохождении курса

Частые вопросы

Почему стоит выбрать учебу в Otus?
Образовательная экспертиза Otus доказана более 6 лет успешной специализации на обучении в IT. Наша фишка — продвинутые программы для специалистов с опытом и быстрый запуск курсов по новым набирающим популярность технологиям. Мы уже обучили более 20 000 студентов, и будем рады помочь освоить вам новые навыки.
Что является наиболее ценным по мнению выпускников курса?
Домашние задания сопровождаются письменной обратной связью, и вы всегда можете задать вопрос в закрытый чат группы или голосом на вебинаре. А для защиты итогового проекта у вас будет несколько этапов, где Вы сможете получить консультацию по проекту и преодолеть трудности его выполнения. Некоторые студенты для финального проекта берутся выполнять рабочую задачку и защищаются с сохранением NDA.
Обязательно ли выполнять и защищать выпускной проект?
Для получения сертификата OTUS и УПК (удостоверение повышения квалификации государственного образца) необходимо сдать проект. Кроме того, проект необязательно защищать перед аудиторией, а можно сдать в чате с преподавателем. Для получения УПК также понадобится предъявить документ об образовании.
Обязательно ли выполнять все домашние задания?
Нет, не обязательно. Но выполнение домашних заданий поможет вам разобраться в материале курса, поэтому хотя бы часть домашних заданий стоит выполнить. При выполнении или сдаче домашнего задания, вы можете задать вопрос преподавателям, если где-то возникли сложности.
Помогаете ли вы с трудоустройством после курса?
В Otus Club проводятся вебинары на тему трудоустройства, разбор резюме, прохождения собеседований, особенности реферальных программ при найме. Также обратим Ваше внимание, что преподаватели курса занимают ведущие позиции в разных компаниях. Будьте активны, выполняйте домашние задания, стройте network с сокурсниками и преподавателями, и вам будет проще найти работу, расширив свои контакты.
Смогу ли я совмещать учебу с работой?
Да, программа курса рассчитана на то, что студент имеет ограниченный временной ресурс. 1 раз в модуль будут выдаваться домашние задания, а лекции 2 раза в неделю, которые вы всегда можете посмотреть в записи.
Что, если в середине курса я не смогу продолжать обучение?
У вас есть право одного бесплатного трансфера в другую группу. И лекции курса в любом случае у вас останутся в личном кабинете навсегда. Также есть отдельные опции по сдаче домашних заданий даже после окончания программы курса.
Я могу вернуть деньги?
Да, вы можете сделать возврат средств пропорционально оставшимся месяцам обучения.
Может ли мой работодатель оплатить курс?
Конечно, мы работаем с юр. лицами. При общении с менеджером уточните, что оплачивать будет ваш работодатель.
Остались вопросы?
Оставляйте заявку и задавайте вопросы менеджеру, команда курса с ним на связи и постарается дать вам дать исчерпывающую информацию.