Курсы
Преподавателям
Machine Learning. Углубленный уровень
Длительность обучения:
5 месяцев
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
— 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.
Преподаватели
Мария Тихонова
Senior Data Scientist Сбер, преподаватель ВШЭ
Работает специалистом по анализу данных в команде AGI NLP в Сбере. Занимается нейросетевыми языковыми моделями и их применением в реальных задачах. Считает, что работа в области Data Science дает уникальную возможность заниматься безумно крутыми вещами on the edge of science, которые меняют мир здесь и сейчас.
Преподает в Высшей Школе Экономики дисциплины по анализу данных, машинному обучению и data science.
Мария закончила механико-математический факультет МГУ и школу анализа данных Яндекса. В настоящий момент Мария обучается в аспирантуре ВШЭ на факультете компьютерных наук. Среди ее научных интересов такие области data science, как natural language processing и тематическое моделирование.
Мария Тихонова
Senior Data Scientist Сбер, преподаватель ВШЭ
Светлана Медведева
Закончила МФТИ (бакалавриат и магистратура) и Сколтех (магистратура). С 2018 года преподает студентам МФТИ вычислительную математику (численные методы), сейчас ведет лабораторные занятия по питону и анализу данных на питоне.
Работала в консалтинге (разработка технологических решений) в SAS Institute. Занималась разработкой решений на основе SAS Event Stream Processing, работой с данными (DI, SAS Base, SQL) и автоматизированным тестированием (python+selenium), а также временными рядами.
Стажировалась в Huawei в группе компьютерного зрения.
В настоящее время работает аналитиком данных (разработка MVP для консалтинга). Один из проектов был связан с моделированием путешествия клиента. Сейчас занимается гомоморфным шифрованием.
Светлана Медведева
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
Дмитрий Сергеев
Head of R&D в WeatherWell
Александр Миленькин
Старший менеджер по работе с большими данными в X5 Retail Group.
Ранее старший аналитик в Асна, data scientist в Gero и биоинформатик в Insilico Medicine.
Около 6 лет в IT. Выпускник МФТИ.
Александр Миленькин
Андрей Канашов
Senior Data Scientist в OZON
Работает в лидирующем российском маркетплейсе OZON. 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.
Андрей Канашов
Senior Data Scientist в OZON
Евгений Ревняков
Начинал в школе с паяльником в руках. Потом был ZX Spectrum. В университет пошел на техническую специальность. В механике много интересного, но в 2008 интерес к ИТ взял верх: компьютерные сети -> Delphi -> PHP -> Python.
Были эксперименты с другими языками, но хочется писать именно на нем. Участвовал в проектах по автоматизации бизнес-процессов при помощи нейросетей (сервис заказа такси «Максим»), разработке информационных систем в медицине. Работал с GIS-системами и процессингом изображений при помощи Python.
В преподавании позиция: «Если кто-то не может объяснить сложное простыми словами, — значит он в этом еще не очень хорошо разбирается».
Образование: Курганский университет, кафедра "Безопасность информационных и автоматизированных систем", к.т.н.
В 2002 окончил Курганский государственный университет по специальности "Многоцелевые гусеничные и колесные машины".
В 2005 защитил диссертацию по бесступенчатым передачам. С тех пор официально трудоустроен в университете (КГУ).
Евгений Ревняков
Максим Пантелеев
Специалист по машинному обучению и разработке (BigData). Работал в таких компаниях как Mail.Ru Group, Wamba, NVidia, Sber, Megafon, Техносерв Консалтинг, где реализовывал практические кейсы применения машинного обучения полного цикла - прогнозирование временных рядов, детектирование аномалий, системы анализа соц. медиа поля (NLP), рекомендательные системы в ритейле и тд, так и HighLoad практическая реализация этих кейсов в продуктивном окружении - Hadoop, Spark, Flink, Kafka и тд
Долгое время занимался преподаванием курсов по машинному обучению и технологиям BigData в таких организациях как тренинговый Центр Люксофт, ВШЭ
Максим Пантелеев
Борис Цейтлин
Выпускник магистратуры "Науки о данных" ФКН ВШЭ.
Работал machine learning инженером в Mindsdb, где разрабатывал auto-ml решения. Имеет опыт работы в аналитике продукта и back-end разработке.
Сфера научных интересов включает в себя computer vision, semi-supervised learning, few-shot learning.
Борис Цейтлин
Андрей Сухобок
Data Scientist, Unity Technologies, Finland
Специалист по машинному обучению в компании Unity Technologies. Получил 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), а так же участвовал в проекте по анализу текстов в Институте Гайдара. 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.
Андрей Сухобок
Data Scientist, Unity Technologies, Finland
Преподаватели
Мария Тихонова
Senior Data Scientist Сбер, преподаватель ВШЭ
Работает специалистом по анализу данных в команде AGI NLP в Сбере. Занимается нейросетевыми языковыми моделями и их применением в реальных задачах. Считает, что работа в области Data Science дает уникальную возможность заниматься безумно крутыми вещами on the edge of science, которые меняют мир здесь и сейчас.
Преподает в Высшей Школе Экономики дисциплины по анализу данных, машинному обучению и data science.
Мария закончила механико-математический факультет МГУ и школу анализа данных Яндекса. В настоящий момент Мария обучается в аспирантуре ВШЭ на факультете компьютерных наук. Среди ее научных интересов такие области data science, как natural language processing и тематическое моделирование.
Мария Тихонова
Senior Data Scientist Сбер, преподаватель ВШЭ
Светлана Медведева
Закончила МФТИ (бакалавриат и магистратура) и Сколтех (магистратура). С 2018 года преподает студентам МФТИ вычислительную математику (численные методы), сейчас ведет лабораторные занятия по питону и анализу данных на питоне.
Работала в консалтинге (разработка технологических решений) в SAS Institute. Занималась разработкой решений на основе SAS Event Stream Processing, работой с данными (DI, SAS Base, SQL) и автоматизированным тестированием (python+selenium), а также временными рядами.
Стажировалась в Huawei в группе компьютерного зрения.
В настоящее время работает аналитиком данных (разработка MVP для консалтинга). Один из проектов был связан с моделированием путешествия клиента. Сейчас занимается гомоморфным шифрованием.
Светлана Медведева
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
Дмитрий Сергеев
Head of R&D в WeatherWell
Александр Миленькин
Старший менеджер по работе с большими данными в X5 Retail Group.
Ранее старший аналитик в Асна, data scientist в Gero и биоинформатик в Insilico Medicine.
Около 6 лет в IT. Выпускник МФТИ.
Александр Миленькин
Андрей Канашов
Senior Data Scientist в OZON
Работает в лидирующем российском маркетплейсе OZON. 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.
Андрей Канашов
Senior Data Scientist в OZON
Евгений Ревняков
Начинал в школе с паяльником в руках. Потом был ZX Spectrum. В университет пошел на техническую специальность. В механике много интересного, но в 2008 интерес к ИТ взял верх: компьютерные сети -> Delphi -> PHP -> Python.
Были эксперименты с другими языками, но хочется писать именно на нем. Участвовал в проектах по автоматизации бизнес-процессов при помощи нейросетей (сервис заказа такси «Максим»), разработке информационных систем в медицине. Работал с GIS-системами и процессингом изображений при помощи Python.
В преподавании позиция: «Если кто-то не может объяснить сложное простыми словами, — значит он в этом еще не очень хорошо разбирается».
Образование: Курганский университет, кафедра "Безопасность информационных и автоматизированных систем", к.т.н.
В 2002 окончил Курганский государственный университет по специальности "Многоцелевые гусеничные и колесные машины".
В 2005 защитил диссертацию по бесступенчатым передачам. С тех пор официально трудоустроен в университете (КГУ).
Евгений Ревняков
Максим Пантелеев
Специалист по машинному обучению и разработке (BigData). Работал в таких компаниях как Mail.Ru Group, Wamba, NVidia, Sber, Megafon, Техносерв Консалтинг, где реализовывал практические кейсы применения машинного обучения полного цикла - прогнозирование временных рядов, детектирование аномалий, системы анализа соц. медиа поля (NLP), рекомендательные системы в ритейле и тд, так и HighLoad практическая реализация этих кейсов в продуктивном окружении - Hadoop, Spark, Flink, Kafka и тд
Долгое время занимался преподаванием курсов по машинному обучению и технологиям BigData в таких организациях как тренинговый Центр Люксофт, ВШЭ
Максим Пантелеев
Борис Цейтлин
Выпускник магистратуры "Науки о данных" ФКН ВШЭ.
Работал machine learning инженером в Mindsdb, где разрабатывал auto-ml решения. Имеет опыт работы в аналитике продукта и back-end разработке.
Сфера научных интересов включает в себя computer vision, semi-supervised learning, few-shot learning.
Борис Цейтлин
Андрей Сухобок
Data Scientist, Unity Technologies, Finland
Специалист по машинному обучению в компании Unity Technologies. Получил 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), а так же участвовал в проекте по анализу текстов в Институте Гайдара. 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.
Андрей Сухобок
Data Scientist, Unity Technologies, Finland
Отзывы
Кудинов
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.
Масленников
- 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.
Глактионова
Курочкин
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.
Русакевич
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)
Балгабекова
Благодаря этому курсу я получила уверенность в том, что стоит менять свое направление в сторону Data Science & Machine Learning. Это однозначно мое!
Насрутдинов
Для меня оказался тяжеловат - не хватало бэкграунда в использовании пакетов Python.
Пережогин
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!
Романов
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!
Крутман
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.
Белых
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).
Лебедев
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. :)
Зотов
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 :)
Гнусарев
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!
Ситников
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.
Кудинов
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.
Масленников
- 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.
Глактионова
Курочкин
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.
Русакевич
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)
Балгабекова
Благодаря этому курсу я получила уверенность в том, что стоит менять свое направление в сторону Data Science & Machine Learning. Это однозначно мое!
Насрутдинов
Для меня оказался тяжеловат - не хватало бэкграунда в использовании пакетов Python.
Пережогин
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!
Романов
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!
Крутман
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.
Белых
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).
Лебедев
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. :)
Зотов
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 :)
Гнусарев
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!
Ситников
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.
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).
- Основные возможности языка Python
- Создание сайтов на Django
- Библиотеки для анализа данных
- Подготовка к курсам "Web-разработчик на Python" и "Разработчик Python"
- Как сделать тематическое моделирование форума быстро или что беспокоит людей с целиакией
- Анализируем шедевры живописи с помощью классического ML
Процесс обучения
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;
- получите приглашение пройти собеседование в компаниях-партнерах OTUS (в случае успешного обучения на курсе).
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
№ 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
№ 039825 от 28 декабря 2018 года.
Подпишитесь на наши новости
По всем вопросам пишите на [email protected]
© 2015-2022 OTUS
Пользовательское соглашение