Курсы по машинному обучению

Вы научитесь решать задачи из реальных рабочих процессов, которые чаще всего в Data Science поручают начинающим специалистам. К концу курса вы соберете портфолио работ, пройдете подготовку к собеседованиям и карьерную консультацию.

Курс даст вам необходимый фундамент:
Python. Пройдете основы программирования и научитесь использовать этот наиболее актуальный язык в задачах Machine Learning.
Математика. Освоите ключевые разделы, чтобы понимать теоретические основы и принципы работы алгоритмов.
Классические модели Machine Learning. Соберете свои наборы данных и выполните полный пайплайн работ со своими первыми моделями.

Творческая атмосфера:
Во время обучения вы погрузитесь в условия, близкие к реальным рабочим процессам. Вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели к проду.
Обстановка на занятиях располагает быть любопытным, активно дискутировать и не бояться ошибок.

Персональный ментор:
Онлайн-сессии на 40 минут каждую неделю;
В начале обучения за вами закрепляется ментор. Как и преподаватели, менторы — эксперты, работающие в Data Science;
Раз в неделю вы делаете домашнее задание, выкладываете на гитхаб и договариваетесь с ментором о созвоне;
Ментор заранее знакомится с вашим кодом, поэтому к встрече он уже знает, на что обратить внимание. Вы тоже можете заготовить вопросы;
На сессии ментор прокомментирует ваше решение. При необходимости можно сразу перейти в среду разработки, внести правки в код и тут же посмотреть результат.

После обучения вы сможете:
Претендовать на должности, где требуются junior-компетенции
Решать реальные бизнес-задачи при помощи методов машинного обучения
Работать с Python-библиотеками для Machine Learning
Справляться с нестандартными ситуациями за счет глубокого теоретического понимания работы алгоритмов и моделей
Ориентироваться в различных направлениях Data Science и подбирать подходящие под задачу инструменты.

Вы освоите все необходимые навыки машинного обучения для потоковых данных и распределенной среды. В программу включены необходимые знания из областей Data Science и Data Engineering, которые позволят вам обрабатывать большие данные и писать распределенные алгоритмы на Spark.
Каждый модуль вы будете закреплять на практике, выполняя домашнее задание. В конце обучения вас ждет финальный проект, который позволит обобщить все полученные знания и пополнить портфолио. Он может быть выполнен в рамках рабочих задач на вашем датасете или быть учебным проектом, основанным на данных, предоставляемых OTUS.

Для кого этот курс?
Для специалистов по Машинному обучению или Software инженеров, которые хотят научиться работать с большими данными. Обычно такие задачи имеются в крупных IT-компаниях с масштабным цифровым продуктом.
Для Data Scientist, которые хотят усилить свой скиллсет инженерными навыками. Благодаря курсу вы будете уметь обрабатывать данные и самостоятельно выводить результаты ML-решений в продакшн.
Для обучения вам понадобятся базовые навыки работы с данными. Предлагаем посмотреть Карту курсов направления Data Science в OTUS, чтобы сориентироваться в необходимом уровне подготовки.

Вы научитесь:
- Использовать стандартные инструменты ML-конвейеров в распределенной среде;
- Разрабатывать собственные блоки для ML-конвейеров;
- Адаптировать ML-алгоритмы к распределенной среде и инструментам big data;
- Использовать Spark, SparkML, Spark Streaming;
- Разрабатывать алгоритмы потоковой подготовки данных для машинного обучения;
- Обеспечивать контроль качества на всех этапах движения ML-решений в промышленную эксплуатацию.

Востребованность специалистов
Навыки, которые вы освоите, максимально прикладные и перспективные. На рынке появляется все больше цифровых продуктов, для развития которых необходима работа с большими данными и потоковую обработку. Уже сейчас специалисты с таким пулом навыков и некоторым опытом работы могут претендовать на зарплату от 270 тыс. рублей. Другой тренд — автоматизация процессов обучения и валидации, напротив, в некотором роде обесценивает работу классического Data Scientist. Все движется к тому, что даже неспециалист сможет сделать fit-predict. Поэтому уже сейчас в цене те, кто имеют хотя бы поверхностные инженерные навыки.

Особенности курса
Много практики работы с данными
Широкий спектр навыков от распределенного ML и потоковой обработки данных до вывода в продакшн
Актуальные инструменты и технологии: Scala, Spark, Python, Docker
Живое общение с экспертами на вебинарах и в чате Slack

Для кого этот курс
Для дата-сайентистов
Глубже разберёте работу с нейронками, чтобы браться за более сложные и интересные задачи

Для инженеров данных
Получите инструменты для углубления навыков и сможете перейти в команду создания дата-продуктов на уровне middle+

Для программистов и разработчиков
Смените траекторию и войдёте в самую горячую профессиональную область. Практику с курса можно смело включить в резюме

Кому подойдёт этот курс
Новичкам в data science
Сможете влиться в новую сферу и приобрести базу, с которой можно постоянно развиваться горизонтально — в любых компаниях и продуктах. Компании ждут, что новый сотрудник если и не умеет ровно то, что надо — его не надо учить работать с SQL и запросами к хранилищам.
Продуктовым, маркетинговым, бизнес-аналитикам
Расширите свою профессиональную траекторию, углубитесь в техническую сторону ровно настолько, чтобы достигать лучших результатов в текущей работе или перейти на новые более сложные задачи в работе с данными.
Разработчикам Python, JS, Java, C++
Узнаете, как правильно спроектировать аналитическую БД для нужд потребителей данных: аналитиков и руководителей, принимающих решения. Научитесь выводить real-time отчётность и строить RTDM-систему с понятными и читаемыми бизнес-показателями.

Чему научитесь на курсе

Формулировать задачу для data science проекта

Выдвигать идеи и гипотезы и составлять план решения задачи

Подбирать алгоритмы и метрики под задачу для разных моделей

На примерах изучите основные алгоритмы и узнаете, в каких случаях их использовать

Строить модели машинного обучения с помощью библиотеки Sklearn

Рассмотрите примеры кода обучения, научитесь применять знания на практике

Оценивать качество моделей машинного обучения

Ознакомитесь с подходами предотвращения переобучения, изучите методы оценки

Интерпретировать результаты и составлять отчёт об исследовании

Научитесь сравнивать алгоритмы на готовых датасетах, определять методы улучшения качества