Курс переработан
Machine Learning
29 ноября
Basic
11 месяцев
Онлайн
Для кого?
Сфера IT: для системных аналитиков, разработчиков, тестировщиков, инженеров
Прочие сферы: для всех специалистов, которые могут и хотят освоить ML
Вы освоите:
- Python с 0 до качественного уровня
- ML-библиотеки: pandas, numpy, matplotlib, seaborn, scipy, sklearn
- Систему управления версиями Git
- SQL (от простых функций до оконных)
- A/B тестирование
- Deep Learning (PyTorch, реккурентные сети и другое)
- NLP (парсинг и анализ текстовых данныx)
- Анализ временных рядов
- Рекомендательные системы
Посмотрите записи защит итоговых проектов наших студентов:
YouTube Machine Learning
Необходимые знания
Специальных знаний не требуется.
Однако базовые знания линейной алгебры, математического анализа, теории вероятностей и математической статистики помогут вам быстрее усваивать программу.
Подходит ли программа именно вам?
Менеджер поможет разобраться!
Какой результат вы получите?
Обучение состоит из 2х ступеней и интенсива: 1 ступень длится 5,5 месяцев, 2 ступень длится 5,5 месяцев + интенсив продолжительностью 1 месяц
- Для тех, кто хочет с нуля сделать карьеру в направлении Machine Learning
- Освоите Python для Data Science
- Вспомните математику и научитесь использовать ее для работы с моделями
- Сможете строить основные модели машинного обучения
- Создаете модели машинного обучения, используя базовые и продвинутые приемы ML
- Можете выполнять полный pipeline работ: от подготовки датасета до анализа результатов и подготовки к production
- Готовы к решению практических задач по машинному обучению
- Имеете портфолио проектных работ
- Умеете обучать нейросети для работы с изображениями и текстами
Мощная теория
У нас преподают кандидаты наук и стараются дать основательную базу для Вашего роста в профессии.
Классные преподаватели
Мы собрали в команду неравнодушных преподавателей, которые умеет четко и понятно донести информацию.
Актуальная программа
Курс регулярно обновляется и актуализируется. Вы получите самые востребованные и рабочие фреймворки с пониманием как они применяются в рабочей среде.
Партнеры
- Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров
- Карьерные мероприятия в сообществе
Публичный разбор резюме
Публичное прохождение собеседования и воркшопы
Data Scientist
Работодатели курса
Формат обучения
Интерактивные вебинары
2 занятия по 2 ак.часа в неделю
Доступ к записям и материалам остается навсегда
Хардкорная практика
Учитесь на реальных датасетах и тренируйтесь строить полные пайплайны работы с данными
Активное комьюнити
Общайтесь с преподавателями голосом на вебинарах и в telegram группе
Групповые менторские консультации
На курсе предусмотрено менторское сопровождение в виде групповых разборов домашних заданий.
Вы выполняете домашнее задание
Ментор проверяет его в личном кабинете, делает ревью и дает развернутый фидбэк
На занятии ментор отвечает на часто возникающие вопросы, проводит подробный разбор работ студентов и объясняет каждый этап выполнения
С ментором также можно общаться по домашнему заданию в чате. Он даст вам обратную связь по итогам проверки и направит вас в нужное русло
Программа
Ступень 1. Junior
Вы получите навыки Python, математический фундамент и понимание основных принципов и кейсов ML. И сделаете свою первую проектную работу.
Введение в Python
В данном модуле познакомимся с базовыми структурами данных и операторами Python. Изучим азы работы с shell и git.
Тема 1: Что будет по окончанию курса Basic / Special
Тема 2: Подготовка к изучению Python
Тема 3: Базовые типы данных
Тема 4: Управляющие конструкции
Тема 5: Функции
Тема 6: Групповая менторская консультация
Введение в Python. ООП, модули, базы данных
В данном модуле познакомимся с ООП в Python, научимся применять основные принципы ООП и разделять на модули.
Тема 1: Git, shell
Тема 2: Основы ООП
Тема 3: Продвинутый ООП, исключения
Тема 4: Продвинутый ООП, продолжение
Тема 5: Модули и импорты
Тема 6: Тесты
Тема 7: Знакомство со встроенными модулями
Тема 8: Файлы и сеть
Тема 9: Практика
Основы Python для ML и работа с базами данных
В данном модуле познакомимся с библиотекой numpy, pandas. Научимся работать с многообразием библиотек визуализации данных в Python.
Тема 1: Основы NumPy
Тема 2: Основы Pandas
Тема 3: Визуализация данных
Тема 4: Практика: Построение датасета для дальнейшего моделирования из сырых данных
Тема 5: Обзор про базы данных, SQL и теорию множеств. Таблицы, представления, простые выборки
Тема 6: Join, exists, вложенные запросы, group by, having
Тема 7: Оконные функции в SQL, виды и область применения
Теоретический минимум для ML: математика, линал, статистика
В данном модуле вы изучите разделы матричной алгебры для решения систем линейных уравнений и для векторного анализа. Познакомитесь с основными методами оптимизации функций (максимизации/минимизации), также научимся аппроксимировать значение функции, чтобы ускорять вычисления в Python при работе с данными. Научитесь формулировать и тестировать гипотезы, в том числе А/B-тестирование.
Тема 1: Матрицы. Основные понятия и операции
Тема 2: Основы линейной алгебры: базис, отображение
Тема 3: Матричные разложения. Практика в Python
Тема 4: Дифференцирование и оптимизация функций
Тема 5: Практика. Дифференцирование и оптимизация функций
Тема 6: Метод наименьших квадратов
Тема 7: Аксиоматика теории вероятностей. Случайные величины и их свойства
Тема 8: Многомерные случайные величины. ЦПТ. Практика
Тема 9: Основные понятия статистики. Точечные оценки
Тема 10: Проверка гипотез (AБ тестирование)
Тема 11: Исследование зависимостей: номинальные, порядковые и количественные величины
Тема 12: Практика. Исследование зависимостей: номинальные, порядковые и количественные величины
Основные методы машинного обучения
В данном модуле рассмотрим задачи, которые направлены на проверку гипотез, поиск оптимальных решений с помощью искусственного интеллекта.
Тема 1: Введение в машинное обучение
Тема 2: Задача регрессии. Линейная регрессия
Тема 3: Задача классификации. Метод ближайших соседей
Тема 4: Выбор темы проекта
Тема 5: Логистическая регрессия
Тема 6: Деревья решений
Тема 7: Ансамбли моделей
Тема 8: Feature engineering & advanced preprocessing
Тема 9: Практика
Проектная работа
Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно писать 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: Консультация в формате предзащиты
Тема 2: Защита проекта
Ступень 2. Junior+ / Middle
Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Чтобы лучше закрепить навыки, вы будете практиковаться: использовать каждый алгоритм в работе с реальными данными. Ступень 2 заканчивается масштабной проектной работой, примеры защит вы можете посмотреть на нашем YouTube канале.
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: Программа курса. Повторение основных концепций машинного обучения на практическом примере
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: PyTorch (часть 1)
Тема 3: Продвинутые методы оптимизации, backpropagation и обучение нейронных сетей
Тема 4: Борьба с переобучение нейросетей, взрыв и затухание градиентов
Тема 5: PyTorch (часть 2)
Тема 6: Сверточные сети (Convolutional Neural Networks)
Тема 7: Рекуррентные сети
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: Предобработка и токенизация
Тема 3: Векторные представления слов, работа с предобученными эмбеддингами
Тема 4: Понятие языковой модели, RNN для работы с текстом
Тема 5: Архитектура трансформер
Тема 6: Transfer Learning. Архитектура BERT
Тема 7: Named Entity Recognition
Тема 8: Тематическое моделирование
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: Введение в рекомендательные системы
Тема 2: Простые рекомендательные модели. Коллаборативная фильтрация
Тема 3: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 4: Методы матричной факторизации
Тема 5: Практическое занятие по рекомендательным системам
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
Тема 3: Защита проектных работ
Ступень 3. Карьерная информация
Подготовимся к поиску работу и определимся со стратегией поиска
Карьера в DS
Тема 1: Бонус: Стратегия поиска и подготовка CV, net-work
Тема 2: Бонус: Как сделать тестовые занятия и как подготовиться к интервью
Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит
Проектная работа
Cпециализация - не просто курс. Обучение cостоит из двух больших блоков: ML Basic, ML Professional + Карьерный модуль. У каждого блока свой выпускной проект. Задача выпускной работы: создать модель машинного обучения. Мы приветствуем творческий подход, а потому не даём шаблонных заданий. Так вы привнесёте в ML-сферу ценную разработку, а портфолио дополните конкурентоспособным проектом.Посмотрите записи защит итоговых проектов наших студентов:
YouTube Machine Learning
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Прошедшие
мероприятия
Корпоративное обучение для ваших сотрудников
- 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
Диплом о профессиональной переподготовке
OTUS осуществляет лицензированную образовательную деятельность. В конце прохождения специализации вы получите сертификат OTUS и официальный диплом о получении новой специальности.
Почему специализация выгоднее, чем отдельные курсы?
- Стоимость ниже, чем покупка курсов по отдельности
- Диплом о профессиональной переподготовке
- Расширенная опция помощи с трудоустройством
Machine Learning
Стоимость в рассрочку
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Оставьте заявку и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно