Специальная цена
Рассрочка
Machine Learning
29 января 2024
Basic
12 месяцев
Онлайн
Для кого?
Для тех, кто хочет с нуля сделать карьеру в направлении Machine Learning и претендавать на позицию Junior + Data Scientist !
На специализации вы освоите навыки, необходимые любому Data Scientist'у такие как Python для Machine Learning: pandas, numpy, matplotlib, seaborn, scipy, sklearn, а также Git, Shell, самый современный фреймворк ML PyTorch и, разумеется, A/B тестирование. Помимо этого вы исследуете Deep Learning, получите навыки сбора данных и анализа текстовых данныx, анализа временных рядов, рекомендательным системам, а также продвинутым методам машинного обучения.
Подходит ли программа именно вам?
Менеджер поможет разобраться!
Какой результат вы получите?
Обучение состоит из 2х ступеней
- 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
Увлекательный процесс
Вас ждут творческая атмосфера и тесное сотрудничество с экспертами Data Science.
Необходимые знания
Не обязательно иметь профильные знания. Программа подходит для новичков.
Авторская программа
Курс регулярно обновляется и актуализируется. Вы получите самые востребованные и рабочие фреймворки с пониманием как они применяются в рабочей среде.
Трудоустройство
- 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 специализции
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. Занятие по групповому разбору ДЗ с ментором проводится раз в месяц в рамках расписания курса.
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
Введение в Python
В данном модуле познакомимся с базовыми структурами данных и операторами Python. Изучим азы работы с shell и git.
Тема 1: Знакомство. Настройка окружения для работы
Тема 2: Базовые типы и структуры данных. Управление потоком
Тема 3: Работа с функциями и данными
Тема 4: Git, shell
Тема 5: 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: Основы ООП
Тема 2: Продвинутый ООП, исключения
Тема 3: Продвинутый ООП, продолжение
Тема 4: Модули и импорты
Тема 5: Тесты
Тема 6: Знакомство со встроенными модулями
Тема 7: Файлы и сеть
Тема 8: Групповая менторская консультация
Основы Python для ML
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: Групповая менторская консультация
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: Практика. Матрицы
Тема 3: Дифференцирование и оптимизация функций
Тема 4: Практика. Дифференцирование и оптимизация функций
Тема 5: Алгоритмы и вычислительная сложность
Тема 6: МНК и ММП
Тема 7: Практика. МНК и ММП
Тема 8: Случайные величины и их моделирование
Тема 9: Практика. Случайные величины и их моделирование
Тема 10: Исследование зависимостей: номинальные, порядковые и количественные величины
Тема 11: Практика. Исследование зависимостей: номинальные, порядковые и количественные величины
Тема 12: A/Б-тестирование
Тема 13: Групповая менторская консультация
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: Exploratory Data Analysis and Preprocessing
Тема 3: Задача регрессии. Линейная регрессия
Тема 4: Задача классификации. Метод ближайших соседей
Тема 5: Логистическая регрессия
Тема 6: Деревья решений
Тема 7: Ансамбли моделей
Тема 8: Feature engineering & advanced preprocessing
Тема 9: Групповая менторская консультация
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: Выбор темы проекта
Тема 2: Консультация в формате предзащиты
Тема 3: Защита проекта
xff
vdsafv
Ступень 2. Junior+ / Middle
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: Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 2: Рекомендательные системы. Часть 2: Продвинутые алгоритмы SVD и ALS (РС)
Тема 3: Рекомендательные системы. Часть 3: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 4: Практическое занятие по рекомендательным системам. Surpsise
Тема 5: Q&A
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
Ступень 3. Middle
Материалы курса MLOps
Тема 1: Облачные провайдеры
Тема 2: Базовые блоки инфраструктуры
Тема 3: Практика. Настройка облачной инфраструктуры
Тема 4: Биллинг и Identity and Access Management
Тема 5: Выбор хранилища. HDFS/S3/DataBase/etc
Тема 6: Сбор данных на потоке. Kafka
Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит
Проектная работа
Каждая ступень завершается финальным проектом, который предстоит защитить перед командой преподавателей. Практический опыт и портфолио проектов помогут вам произвести впечатление на собеседовании.
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Ближайшие мероприятия
Открытый вебинар — это настоящее занятие в режиме онлайн 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.
Кому подходит этот урок:
- неспециалистам, которые хотят начать карьеру в Data Science и анализе данных
- IT-специалистам, которые только начинают свой путь в ML
- Тем, кто давно хотел начать изучать DS
Результаты урока:
- узнаете чем машинное обучение отличается от классического программирования
- научитесь решать задачи классификации методами ML
- обучите свою первую ML-модель для распознавания рукописных цифр
Кому подходит этот урок:
- неспециалистам, которые хотят начать карьеру в Data Science и анализе данных
- IT-специалистам, которые только начинают свой путь в ML
- Тем, кто давно хотел начать изучать DS
Результаты урока:
- узнаете подходы к обработке данных,применяемые в области анализа данных
- изучите pipeline предобработки данных
- научитесь проводить разведочный анализ данных
Кому подходит этот урок:
- неспециалистам, которые хотят начать карьеру в Data Science и анализе данных
- IT-специалистам, которые только начинают свой путь в ML
- Тем, кто давно хотел начать изучать DS
Результаты урока:
- познакомитесь с популярным алгоритмом машинного обучения kNN
- узнаете, как устроен алгоритм kNN
- освоите принципы решения задачи классификации с помощью kNN
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
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 со скидкой
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Оставьте заявку и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно