Курсы по нейросетям со скидкой до 30%
Курсы по нейросетям со скидкой до 30%
Выбрать курс
Специализации
Machine Learning

Специальная цена

Скидка 10% на курс

Специализация

Machine Learning

Начни свой путь в востребованную профессию Специалиста по Data Science. С нуля до Middle ML инженера (Data Scientist) за 11 месяцев

30 марта

Basic

11 месяцев

Онлайн

Для кого?

Специализация для всех, кто хочет с нуля освоить Machine Learning до компетенций, соответствующих Middle уровню.

Необходимые знания

Специальных знаний не требуется.
Однако базовые знания линейной алгебры, математического анализа, теории вероятностей и математической статистики помогут вам быстрее усваивать программу.

Вы освоите и научитесь:

  • 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
  • Разрабатывать и создавать нейросетевые AI-модели
  • Работать с AI-моделями
  • Применять широкий спектр нейросетевых AI-моделей для разнообразных задач

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

Начало обучения
29 января
  • Для тех, кто хочет с нуля сделать карьеру в направлении Machine Learning
Ступень 1
ВТ 20:00, ЧТ 20:00
Junior
  • Освоите Python для Data Science
  • Вспомните математику и научитесь использовать ее для работы с моделями
  • Сможете строить основные модели машинного обучения
Ступень 2
Ср 20:00, Пт 20:00
Middle
  • 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


Программа регулярно обновляется и актуализируется. Вы получите самые востребованные и рабочие фреймворки.

Карьерная поддержка

Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности. 
  • Карьерные мероприятия в сообществе
    Публичный разбор резюме
    Публичное прохождение собеседования и воркшопы
  • Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров

Data Scientist

Перспективы направления
Средний уровень зарплат:
115 000 ₽Junior+ специалист
230 000 ₽Middle+ специалист
360 000 ₽Senior специалист
1580
актуальных вакансий

Работодатели

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

В процессе обучения 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.

Основы Python

В данном модуле познакомимся с базовыми темами Python. Разберемся с основными типами данных, научимся управлять потоком выполнения кода при помощи операторов ветвления и циклов. Разберемся, как устроены функции в Python, и научимся создавать генераторные функции и декораторы. В финале модуля будем работать с файлами при помощи Python.

Тема 1: Что будет по окончанию курса Basic / Special

Тема 2: Базовые типы данных (неизменяемые)

Тема 3: Управление потоком

Тема 4: Коллекции

Тема 5: Функции. Часть 1

Тема 6: Функции.Часть 2 (декораторы)

Тема 7: Работа с файлами

Продвинутый Python

Во втором модуле нас ждут модули и импорты, разбиение кода на отдельные модули. Большая тема ООП в Python: инкапсуляция, наследование, полиморфизм, основные дандер-методы, статические и классовые методы, исключения. А также познакомимся с основами тестирования при помощи библиотек Pytest и UnitTest.

Тема 1: Модули

Тема 2: Основы ООП

Тема 3: Продвинутый ООП, продолжение

Тема 4: Продвинутый ООП, исключения

Тема 5: Тесты

Тема 6: Знакомство со встроенными модулями

Тема 7: Git, shell

Тема 8: Практика

Python для ML и работа с базами данных

В данном модуле познакомимся с библиотеками numpy и pandas. Научимся работать с многообразием библиотек визуализации данных в Python. Познакомимся с базами данных и языком запросов SQL. Научимся выполнять запросы на получение данных и перекладывать часть обработки на сторону сервера данных.

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

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:  

 

Преподаватели

Мария Тихонова

Лидер Research кластера

Сбер, ВШЭ

Игорь Стурейко

(к.ф.-м.н.) Teamlead, главный инженер

FinTech

Кирилл Панфилов

Блогер, программист

[dirty_python]

Глеб Карпов

Исследователь, Преподаватель математики

Skoltech Computational Intelligence Laboratory

Николай Осипов

MLOps Engineer

Kadam

Евгений Романов

Data Scientist

Газпромбанк

Антон Витвицкий

(к.ф.-м.н.) Director of Computer Vision

Boost Arria NLG

Алексей Кисляков

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

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

Вероника Иванова

Data Scientist

Sber AI Lab

Раиль Сулейманов

Machine Learning Engineer

Garage IT

Андрей Канашов

Senior Data Scientist

Самолет

Станислав Никуличев

Tech Lead

NDA, ex Microsoft, ex Yandex

Виталий Сидоренко

Senior Data Scientist

Магнит

Евгений Романов

Data Scientist

Газпромбанк

Константин Алексин

Специалист по прогнозному моделированию

СБЕР

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 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.

ML как основа современного AI
Станислав Никуличев
Программа вебинара:
— Что на самом деле называют AI, ML и нейросетями — и где между ними границы
— Как устроен типичный процесс обучения модели: от данных до результата
— Почему качество данных часто важнее “крутой” модели
— Какие задачи решает ML в реальных продуктах и сервисах
— Что такое метрики качества и зачем они нужны (простыми словами)
— Какие ошибки чаще всего делают новички и как их избегать
— Как ML связан с современными трендами в AI и почему без него не понять, “как всё работает”

👥 Кому будет полезен вебинар:
Этот вебинар отлично подойдёт тем, кто только начинает знакомство с ML/AI, хочет понять базовые принципы и получить уверенный старт: без страха, без «магии» и с ясным пониманием, куда двигаться дальше.

✅ Результаты занятия:
На открытом уроке вы разберётесь, что такое машинное обучение и почему именно оно лежит в основе большинства современных AI-решений. Без сложной математики и перегруза терминами мы соберём “картину целиком”: как данные превращаются в модель, как модель принимает решения и почему один и тот же подход работает и в классических задачах, и в современных AI-системах....
11 марта в 17:00
Открытый вебинар
Подготовка данных от А до Я: разбираем основные шаги на Python
Мария Тихонова
Занятие посвящено подготовке данных для ML моделей.
На вебинаре вы разберете основные шаги создания датасетов из сырых данных и рассмотрите практический ноутбук с кодом на Python, который сможете затем адаптировать под свои задачи.

👥 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 ML
- изучите основные этапы предобработки данных
- научитесь проводить разведочный анализ данных на Python...
19 марта в 15:00
Открытый вебинар

Прошедшие
мероприятия

Николай Осипов
Открытый вебинар
Локальное окружение для начинающего ML-инженера
Мария Тихонова
Открытый вебинар
Решаем задачу регрессии методами ML на Python
Оставьте заявку, чтобы получить доступ ко всем записям прошедших мероприятий. Записи всех мероприятий появятся в этом блоке

Эту специализацию может оплатить ваш работодатель

Обучайтесь за счёт работодателя или разделите оплату 50/50
  • Подробно расскажем об интересующей вас специализации
  • Объясним, как договориться с работодателем
  • Сообщим стоимость обучения и варианты оплаты
  • Ответим на вопросы
  • Предоставим шаблон договора и счёт на оплату

Отзывы

Владислав Шмидт

14.03.2024
Я менеджер продуктов в компании Nexign и достаточно давно программирую, в основном в Outlook, тем не менее, технарь во мне периодически просыпается. В какой-то момент, прочитав пару книг про AI и учитывая профильное математическое образования, я осознал, что эта тема мне идеально подойдет и очень похоже, что искусственный интеллект совершит очередную промышленную революцию, а точнее, она начинается уже сейчас на наших глазах. Сравнив различные курсы, в итоге остановился на предлагаемой Otus специализации в машинном обучении - основными факторами были наличие занятий по математике в составе курса, а также адекватная продолжительность обучения, то есть, отсутствие обещаний сделать из вас специалиста в ML за 2-3 месяца. Понравилось, что все занятия проводятся в режиме on-line и готовность преподавателей адаптироваться к аудитории, а также интересные домашние задания с инструкциями по выполнению. Для меня обучение на программе ML Basic заложило необходимую основу и, самое главное, стимулировало желание узнать больше и развиваться в этом направлении. Планирую со временем применить новые знания в реализации программных продуктов, ну а пока, продолжаю обучение вместе с Otus...

Наталья Золотарева

06.03.2024
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.

Наталья Иваникова

28.02.2024
Курс мне понравился. Он походит даже новичкам, которые не имеют представления о Data Science. Мотивация у студентов должна быть достаточно высокой, так как требуется много самостоятельной работы, впрочем как и везде. Спасибо преподавателям!

Александр Пушкарев

22.02.2024
Обучение на курсе мне понравилось. Материалы к урокам от Маши Тихоновой просто бомба, наверное одни из лучших тетрадок ноутбук, по которым легко и просто вникать в предметную область. Легко разобраться. Спасибо за обучение и переданный бесценный опыт! Спасибо всем преподавателям за ваши уроки.

Николай Задубровский

13.02.2024
Открывая новый учебный год в 2023 г., решил углубить свои знания в области машинного обучения. После долгих поисков различных курсов, я остановился на курсе машинного обучения в OTUS. Очень радуюсь, что выбрал именно этот курс. Курс в OTUS сбалансирован между теорией и практикой, что позволяет мне вникнуть в материал, а не просто пройти его. Это важно, потому что в области машинного обучения теория и практика тесно связаны, и без практического применения теоретические знания могут быть забыты. Отличное в курсе - это домашние задания. Они позволяют мне углубиться в материал, не просто пробежаться по нему. Это особенно важно в области машинного обучения, где практика - это ключ к успеху. Курс помог мне углубить свои знания в области машинного обучения и подготовил меня к дальнейшей работе в этой области. Рекомендую этот курс всем, кто хочет изучить машинное обучение.

Елена Черная

05.02.2024
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.

Ольга Андреева

30.01.2024
Курс не просто понравился, стал началом освоения новой сферы и отрасли IT, благодаря увлеченной команде молодых и практикующих преподавателей. Удалось получить эффективный материал для успешного старта обучения от Виталия Сидоренко, погрузиться в сложную теоретическую часть занятий, благодаря Глебу Карпову и его любви к науке, узнать о технической части, методах и правилах программирования с Евгением Ревняковым, об основах и практической части работы с данными с Евгением Романовым, получить наглядные примеры решения задач теории вероятности от Константина Алексина, дойти до итогового результата в понимании и применении ML с Марией Тихоновой. Спасибо команде за увлекательный курс и возможность стать частью сообщества увлеченных ML!

Кирилл Четвертков

12.01.2024
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.

Ирина Шабалина

27.12.2023
Работаю руководителем отдела разработки и тестирования по направлению финансовые технологии, в небольшой it-компании. Заказчик - крупная российская финансовая организация. По образованию математик, преподавала статистику в вузе. Выбрала этот курс с целью «осовременить» свои знания в области анализа данных, попробовать на практике анализ текстов, построение рекомендательных систем, ознакомиться с инструментами для нейронных сетей. При обучении всё понравилось, и теории, и практики достаточно, чтобы самостоятельно начать что-то делать в выбранном направлении. Очень высокий профессиональный уровень преподавателей. Объяснение материала иногда кажется сложным, но при повторном (и далее) просмотре можно разобраться в сложных местах. Для освоения методов анализа данных на «продвинутом» уровне - курс отличный! Что дал курс: курс не связан с моей текущей профессиональной деятельностью. Поскольку у меня хорошая база в области анализа данных, то удалось прокачать несколько забытые навыки анализа и моделирования, потрогать Python, понять свои слабые места. В перспективе, возможно, вернусь к анализу данных в профессиональной деятельности.

Кирилл Фоменко

18.12.2023
Хороший курс для того, чтобы вспомнить основы ML с упором на практическое применение, в т.ч. пайплайнов. Все вопросы решаются быстро. Марии отдельный респект за выкладывание подборок для дополнительного изучения по каждой теме.

Илья Крылов

12.12.2023
Это мой первый опыт получения знаний на онлайн-курсах. Не ожидал, что это окажется так трудно.Но при этом совсем не разочаровался. Объём полученных знаний оказался более, чем ожидаем, и надеюсь может стать основой для дальнейшего развития в области машинного обучения. При выполнении проекта, который был связан с моей работой, смог убедиться, что изученные алгоритмы машинного обучения дают очень хорошие результаты. Все преподаватели на Отусе молодцы. Материал объёмный, но при этом почти всё оказалось доступным для понимания. В некоторых случаях мне просто не хватало фундаментальных знаний математики, но тут уже, я понимаю, это мои проблемы ) Возможно, если результаты исследований, проведённых в рамках проекта, понравятся начальству на работе, будут запланированы уже какие-то специальные активности, которые приведут к внедрению машинного обучения на моей работе. Я на это очень надеюсь и тогда наверно запишусь на ML Advanced.

Владислав Маслов

23.11.2023
В целом полученными на данном курсе знаниями по базовому ML я доволен, во многом благодаря последнему блоку от Марии Тихоновой, за что ей безумно благодарен. Для меня, как человека уже знакомого с Python до курса, показалось избыточным многообразие первоначальных лекций по Python. Из реально нового и полезного по Python лично для меня было только знакомство с Pandas и пакетами визуализации. И, напротив, часть по линейной алгебре и статистике можно было чуть-чуть расширить (вероятно, урезав часть лекций по Python), поскольку с вуза уже многое напрочь забылось.

Диплом о профессиональной переподготовке

OTUS осуществляет лицензированную образовательную деятельность. Вы получите сертификат о прохождении обучения, а также можете получить диплом о профессиональной переподготовке

После обучения:

  • Диплом о профессиональной переподготовке: если вы успешно защитили выпускной проект и готовы предоставить копию документа о высшем или среднем профессиональном образовании

  • Доступ к учебным материалам 

  • Ваш личный проект, который поможет проходить собеседования

Частые вопросы

Что понадобится для обучения?
Программа предусмотрена для новичков и дает все необходимые базовые знания. Поэтому для занятий вам понадобится только компьютер.
Чем Специализация отличается от других курсов?
По окончании курса Специализации выдается диплом государственного образца о профессиональной переподготовке.
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?
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 от Марии Тихоновой и преодолеть трудности его выполнения.