Подпишитесь на телеграмм-канал про ИИ в образовании: Егошин | Кеды профессора
Сложность
Сложность
Продвинутый
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
С проверкой домашнего задания
Трудоустройство
Трудоустройство
Содействие
Сертификат
Сертификат
Да

Стоимость курса

нет данных
есть рассрочка

Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену. Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.

Проекты для портфолио

В течение курса вы выполните несколько проектов для портфолио и научитесь грамотно презентовать результаты своих работ, чтобы проходить собеседования. Для выпускного проекта вы можете взять один из предложенных преподавателем вариантов или реализовать свою идею.

Для кого этот курс?

Для начинающих аналитиков и Data Scientist’s. Курс поможет вам систематизировать и углубить свои знания. Вы сможете поэкспериментировать с подходами, разобрать рабочие кейсы и получить качественную обратную связь от экспертов.

Для разработчиков и специалистов других направлений, желающих сменить профессию и развиваться в области Data Science. Курс даст вам возможность собрать сильное портфолио и погрузиться в атмосферу реальных задач дата сайентиста.

Для обучения вам понадобится опыт Python на уровне написания собственных функций, а также знание мат.анализа, линейной алгебры, теории вероятностей и мат. статистики.

Особенности курса

Best Practices и тренды. Каждый запуск программа обновляется с учетом быстро меняющихся тенденций в Data Science. После обучения вы сразу сможете приступить к работе в реальных проектах.

Важные второстепенные навыки. В курс входят темы, которые обычно упускаются из внимания, но необходимы специалисту в повседневных задачах и очень ценятся работодателями:
— построение систем для автоматического поиска аномалий;
— прогнозирования временных рядов при помощи машинного обучения;
— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production.

Творческая атмосфера и условия, близкие к реальным рабочим процессам. Весь курс построен как симулятор рабочих будней дата сайентиста, где вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели в продакшн. В этом деле вам понадобятся любопытство, упорство и жажда нового опыта.

Что вы получите после обучения

Приобретаемые навыки
1
Q&A
2
Apache Spark
4
Метрики
5
EDA
6
K-means
7
DB-Scan
8
Графы
9
NLP
10
ARIMA
11
Рекомендательные системы
12
ML
Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Руководитель продукта в Работа.ру

9 лет в интернет-маркетинге. Управлял командой email-маркетинга и спецпроектов в Skyeng. Head of Digital в «ТехноНИКОЛЬ»: branding и performance-кампании, создание и дистрибуция контента. Отвечал за разработку продукта enAction в компании Expertsender

Работает специалистом по анализу данных в команде AGI NLP в Сбере. Занимается нейросетевыми языковыми моделями и их применением в реальных задачах. Считает, что работа в области Data Science дает уникальную...
Работает специалистом по анализу данных в команде AGI NLP в Сбере. Занимается нейросетевыми языковыми моделями и их применением в реальных задачах. Считает, что работа в области Data Science дает уникальную возможность заниматься безумно крутыми вещами on the edge of science, которые меняют мир здесь и сейчас.Преподает в Высшей Школе Экономики дисциплины по анализу данных, машинному обучению и data science.Мария закончила механико-математический факультет МГУ и школу анализа данных Яндекса. В настоящий момент Мария обучается в аспирантуре ВШЭ на факультете компьютерных наук. Среди ее научных интересов такие области data science, как natural language processing и тематическое моделирование. Руководитель программы
Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Head of R&D в компании WeatherWell. Имеет опыт практического применения машинного обучения в геймдеве, банковской сфере и...
Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Head of R&D в компании WeatherWell. Имеет опыт практического применения машинного обучения в геймдеве, банковской сфере и Health Tech. Преподавал машинное обучение и анализ данных в Центре Математических Финансов МГУ, был приглашенным лектором на Факультете Компьютерных Наук НИУ ВШЭ и различных летних школах. Образование: Эконом-мат РЭУ им. Плеханова, ЦМФ МГУ, ДПО ФКН ВШЭ «Практический анализ данных и машинное обучение», MSc Computer Science Aalto UniversityСтек/интересы: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social good

Образовательная организация

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

Продвинутые методы машинного обучения
  -Тема 1.Вводный урок. Повторение основных концепций машинного обучения на практическом примере
  -Тема 2.Деревья решений
  -Тема 3.Python для ML: пайплайны, ускорение pandas, мультипроцессинг
  -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, EM алгоритм
  -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 13.Сбор данных
  -Тема 14.Анализ текстовых данных. Часть 1: Предобработка и токенизация
  -Тема 15.Анализ текстовых данных. Часть 2: Векторные представления слов, работа с предобученными эмбеддингами
  -Тема 16.Анализ текстовых данных. Часть 3: Named Entity Recognition
  -Тема 17.Анализ текстовых данных. Часть 4: Тематическое моделирование
  -Тема 18.Q&A

Анализ Временных рядов
  -Тема 19.Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
  -Тема 20.Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
  -Тема 21.Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)

Рекомендательные системы
  -Тема 22.Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
  -Тема 23.Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
  -Тема 24.Рекомендательные системы. Часть 3: Implicit feedback
  -Тема 25.Практическое занятие по рекомендательным системам. Surpsise
  -Тема 26.Q&A

Дополнительные темы
  -Тема 27.Kaggle тренировка по ML №1
  -Тема 28.Kaggle тренировка по ML №2
  -Тема 29.ML в Apache Spark
  -Тема 30.Поиск Data Science работы

Проектная работа
  -Тема 31.Выбор темы и организация проектной работы
  -Тема 32.Консультация по проектам и домашним заданиям
  -Тема 33.Защита проектных работ

Рейтинг курса

4.4
рейтинг
0
0
0
0
0

Может быть интересно

обновлено 15.10.2023 03:41
Machine Learning. Professional

Machine Learning. Professional

Оставить отзыв
Поделиться курсом с друзьями