Рассрочка
Machine Learning
Basic
Онлайн
Для кого?
Для тех, кто хочет с нуля сделать карьеру в направлении Machine Learning! На специализации вы получите навыки сбора данных и анализа текстовых данныx, машинного обучения, Python, анализа временных рядов, рекомендательным системам, а также продвинутым методам машинного обучения, которые выделят вас среди начинающих специалистов. К концу обучения вы соберете портфолио из выполненных работ и сделаете готовый проект, который сможете опубликовать и показывать на собеседованиях.Подходит ли программа именно вам?
Менеджер поможет разобраться!
Какой результат вы получите?
- 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
Увлекательный процесс
Вас ждут творческая атмосфера и тесное сотрудничество с экспертами Data Science
Необходимые знания
Не обязательно иметь профильные знания. Программа подходит для новичков
Помощь с трудоустройством
Комплексная система, которая поможет получить выгодные офферы в перспективных проектах
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
Machine Learning
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 Slack группы
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
1 ступень
Введение в Python
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
Введение в Python. ООП, модули, базы данных
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
Основы Python для ML
Тема 1: Основы NumPy
Тема 2: Основы Pandas
Тема 3: Визуализация данных
Теоретический минимум для ML: математика, линал, статистика
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
Основные методы машинного обучения
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
Проектная работа
Тема 1: Выбор темы проекта
Тема 2: Консультация в формате предзащиты
Тема 3: Защита проекта
2 ступень
Продвинутые методы машинного обучения
Тема 1: Вводный урок. Программа курса. Повторение основных концепций машинного обучения
Тема 2: Повторение основных понятий задачи классификации на практике: EDA, cross-validation, метрики качества
Тема 3: Деревья решений
Тема 4: Ансамбли моделей
Тема 5: Градиентный бустинг
Тема 6: Метод опорных векторов
Тема 7: Методы уменьшения размерности
Тема 8: Обучение без учителя. K-means
Тема 9: Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 10: Поиск аномалий в данных
Тема 11: Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
Тема 12: Алгоритмы на графах
Сбор данных. Анализ текстовых данных
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
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
Тема 1: Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 2: Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 3: Рекомендательные системы. Часть 3: Implicit feedback (извлекаем предпочтения из поведения пользователя)
Тема 4: Практическое занятие по рекомендательным системам. Surpsise
Тема 5: Q&A
Дополнительные темы
Тема 1: Введение в Deep Learning №1
Тема 2: Введение в Deep Learning №2
Тема 3: ML в Apache Spark
Тема 4: Поиск Data Science работы
Проектная работа
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
3 ступень
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.
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