Machine Learning. Advanced

4.4

5 месяцев,

начало По мере набора группы

Сложность

Продвинутый

Тип обучения

Курс

Формат обучения

С проверкой домашнего задания

Трудоустройство

Содействие

Сертификат

Да

Стоимость курса

нет данных

есть рассрочка

Что даст вам этот курс

Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами.

Вы расширите свой набор доступных для работы инструментов. При этом даже для таких тем, как Байесовские методы и обучение с подкреплением, которые обычно преподаются исключительно в виде теории, мы подобрали реальные рабочие кейсы из наших практик.

Отдельный модуль посвящен работе в production: настройке окружения, оптимизации кода, построению end-to-end пайплайнов и внедрению решений.

Разносторонние проектные задания
В течение курса вы выполните несколько практических заданий для закрепления навыков по пройденным темам. Каждое такое задание представляет собой практический проект по анализу данных, который решает конкретную прикладную задачу машинного обучения.

Для кого этот курс?
Для аналитиков, программистов и дата сайентистов, практикующих машинное обучение. Курс поможет расширить свои возможности и продвинуться дальше по карьерному пути.

После прохождения курса вы сможете:
Настраивать окружение и писать production код, готовый к внедрению
Работать с AutoML подходами и понимать ограничения в их применении
Понимать и уметь применять Байесовские методы и обучение с подкреплением для соответствующих задач
Решать нестандартные проблемы, возникающие в рекомендательных системах, временных рядах и графах

Что вы получите после обучения

Приобретаемые навыки

Flask

Docker

Kubernetes

Q&A

AutoML

REST

AWS

Рекомендательные системы

Графы

MCMC

PyMC

A/B-тестирование

GLM

SARSA

Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Евгений Ревняков

курса

Начинал в школе с паяльником в руках. Потом был ZX Spectrum. В университет пошел на техническую специальность. В механике много интересного, но в 2008 интерес к ИТ взял верх: компьютерные сети -> Delphi -> PHP -> Python. Были эксперименты с другими языками, но хочется писать именно на нем. Участвовал в проектах по автоматизации бизнес-процессов при помощи нейросетей (сервис заказа такси «Максим»), разработке информационных систем в медицине. Работал с GIS-системами и процессингом изображений при помощи Python.В преподавании позиция: «Если кто-то не может объяснить сложное простыми словами, — значит он в этом еще не очень хорошо разбирается».Образование: Курганский университет, кафедра "Безопасность информационных и автоматизированных систем", к.т.н.В 2002 окончил Курганский государственный университет по специальности "Многоцелевые гусеничные и колесные машины".В 2005 защитил диссертацию по бесступенчатым передачам. С тех пор официально трудоустроен в университете (КГУ). Преподаватель

Валентин Шкулов

курса

Работает специалистом по анализу данных в хедж-фонде Meson Capital. Занимается построением различных моделей, предсказывающих поведение на рынке акций. До этого более 9 лет занимался решением бизнес задач на основе машинного обучения в таких компаниях, как Альфа-банк, СберМегаМаркет, ХоумКредит, ЛПСУ МФТИ, строя модели компьютерного зрения, обработки естественного языка и временных рядов.Является приглашенным лектором в МФТИ, где ведет авторский курс «Практический ML».Валентин закончил магистратуру МФТИ. В круг его интересов входит внедрение и построение инфраструктуры для решений на основе анализа данных. Преподаватель

Александр Сизов

курса

Опытный разработчик, учёный и эксперт по Machine/Deep learning с опытом в рекомендательных системах. Имеет более 30 научных публикаций на русском и иностранном языках, защитил кандидатскую диссертацию на тему анализа и прогнозирования временных рядов.Окончил факультет вычислительной техники в НИУ МЭИ, где в 2008 г. получил степень бакалавра, в 2010 — магистра, в 2014 — кандидата технических наук. Ещё до начала работы над диссертацией увлёкся анализом данных и при реализации своего первого значимого проекта прошёл путь от рядового программиста до начальника отдела разработки. Около 10 лет преподавал смежные дисциплины в НИУ МЭИ, будучи доцентом кафедры. Руководит Data Science командами по разработке проектов в области NLP, RecSys, Time Series и Computer Vision Преподаватель

Образовательная организация

Otus

4.2

288 отзывов

Otus.ru - высокотехнологический стартап в области образования. Наша миссия - делать образование осмысленным, реализуя связь между работодателями, специалистами и преподавателями. Приходите к нам учиться!

OTUS сегодня – это более 80 авторских курсов для IT-специалистов из разных направлений таких как программирование, тестирование, инфраструктура, информационная безопасность, управление и Data Science. И что важно, у нас есть программы для разных уровней подготовки от новичков до профессионалов, которые хотят освоить продвинутые навыки.
Наша миссия — делать обучение осмысленным, реализуя взаимосвязь между ожиданиями работодателей, компетенциями специалистов и возможностями преподавателей.

Программа курса

Advanced Machine Learning. AutoML
-Тема 1.Production Code проекта на примере задачи классификации/регрессии, Virtual environments, dependency management, pypi/gemfury
-Тема 2.Практическое занятие - Оптимизация кода, parallelization, multiprocessing, ускорение pandas, Modin для Pandas
-Тема 3.Advanced Data Preprocessing. Categorical Encodings
-Тема 4.Featuretools - а вы что, за меня и признаки придумывать будете?
-Тема 5.H2O и TPOT - а вы что, за меня и модели строить будете?

Production
-Тема 6.Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
-Тема 7.REST-архитектура: Flask API
-Тема 8.Docker: Структура, применение, деплой
-Тема 9.Kubernetes, контейнерная оркестрация
-Тема 10.Практическое занятие по работе в проде: деплой докера в AWS

Временные ряды
-Тема 11.Извлечение признаков. Fourier и Wavelet transformation, Automatic Feature generation - tsfresh
-Тема 12.Unsupervised подходы: Кластеризация временных рядов
-Тема 13.Unsupervised подходы: Сегментация временных рядов

Рекомендательные системы. Задача ранжирования
-Тема 14.Рекомендательные системы 1. Explicit feedback
-Тема 15.Рекомендательные системы 2. Implicit feedback
-Тема 16.Задача ранжирования - Learning to rank
-Тема 17.Практическое занятие по рекомендательным системам. Surpsise!
-Тема 18.Q&A

Графы
-Тема 19.Введение в графы: основные понятия. NetworkX, Stellar
-Тема 20.Анализ графов и интерпретация. Community Detection
-Тема 21.Link Prediction и Node Classification
-Тема 22.Практическое занятие: Хейтеры в Twitter

Bayesian Learning, PyMC
-Тема 23.Введение в вероятностное моделирование, апостериорные оценки, сэмплирование
-Тема 24.Markov Chain Monte-Carlo (MCMC), Metropolis–Hastings
-Тема 25.Байесовское АB тестирование
-Тема 26.Generalized linear model (GLM) - байесовские регрессии, вывод апостериорных оценок коэффициентов
-Тема 27.Практическое занятие по GLM
-Тема 28.Байесовская сеть доверия: практическая занятия
-Тема 29.Практическое занятие по логит-регрессии

Reinforcement Learning
-Тема 30.Введение в обучение с подкреплением
-Тема 31.Multi-armed bandits для оптимизации AB тестирования, от теории - сразу в бой
-Тема 32.Практическое занятие: Multi-armed bandits в ecommerce: search оптимизация
-Тема 33.Markov Decision Process, Value function, Bellman equation
-Тема 34.Value iteration, Policy iteration
-Тема 35.Практическое занятие: медицинский кейс Markov Chain Monte Carlo
-Тема 36.Temporal Difference (TD) и Q-learning
-Тема 37.SARSA и Практическое занятие: финансовый кейс TD и Q-learning
-Тема 38.Q&A

Проектная работа
-Тема 39.Консультация по проекту, выбор темы
-Тема 40.Бонус: Поиск Data Science работы
-Тема 41.Защита проектных работ