Этот сайт использует cookies. Продолжая, вы даёте согласие на их обработку. Политика использования.
Продвинутое машинное обучение. |
Не просто обучаем модели, а решаем сложные и важные для бизнеса задачи по машинному обучению
начало обучения
сразу после покупки
сразу после покупки
специалистам среднего уровня (middle), ведущим специалистам (senior)
КОМУ ПОДОЙДЁТ
Пакетные предложения
от 1 до 6 блоков
от 1 до 6 блоков
Выпускники и студенты курса могут принять участие в программе ускоренного трудоустройства в MAGNIT TECH на позицию Инженера машинного обучения в Департамент по машинному обучению и искусственному интеллекту. Подробности
Выпускники и студенты курса могут принять участие в программе ускоренного трудоустройства в MAGNIT TECH на позицию Инженера машинного обучения в Департамент по машинному обучению и искусственному интеллекту.
Подробности
Подробности
Регистрация на образовательной платформе
Для оплаты курса вам необходимо зарегистрироваться на нашей образовательной платформе, указав ваши имя, фамилию и электронную почту.
Если у вас уже есть учётная запись, можно использовать её.
Если у вас уже есть учётная запись, можно использовать её.
Программа Fast Track (ускоренный отбор)
Чтобы принять участие в программе нужно:
Выпускники и студенты курса «Продвинутое машинное обучение» могут поучаствовать в программе ускоренного трудоустройства в MAGNIT TECH на позицию Инженера машинного обучения.
Быть студентом или выпускником курсов
Отправить резюме в Карьерный центр karpov.course
Получить приглашение на интервью в MAGNIT TECH + техническое собеседование и ML-сессию онлайн
1
2
4
Дождаться онлайн-скрининга по резюме рекрутером компании MAGNIT TECH
3
Всем участникам будет дана обратная связь. Компания сама выберет кандидатов, которых пригласит на интервью
о партнёре курса >>
человек в команде MAGNIT TECH
5000+
активных ИТ-проектов и продуктов
260+
информационных систем и сервисов
800+
MAGNIT TECH — это технологическое ядро одной из крупнейших розничных сетей России. Компания работает с эксабайтами данных, создавая ИТ-решения, которые ежедневно касаются жизни миллионов покупателей
Миссия — с помощью технологий, данных и машинного обучения делать покупки в режиме реального времени доступнее, удобнее и персонализированнее
Для тех, кто уже имеет опыт работы в машинном обучении и хочет:
Научиться решать специфические и нестандартные задачи бизнеса
Найти новую работу как в России, так и за рубежом
Освоить новую область в машинном обучении под руководством ведущих специалистов
Получить повышение на текущей работе
НАУЧИТЕСЬ СТРОИТЬ сервисы машинного обучения ДЛЯ РЕШЕНИЯ РЕАЛЬНЫХ ЗАДАЧ
Продвинутое машинное обучение — это нестандартный курс по машинному обучению. Моя команда не стала ограничиваться одним лишь обучением моделей и решила охватить абсолютно все этапы работы инженера по машинному обучению (ML-инженера). Вы научитесь самостоятельно собирать и размечать данные, строить процессы (пайплайны) их поставки, развертывать (деплоить) приложения, настраивать мониторинги и оценивать эффективность алгоритмов.
Вы получите максимально глубокое погружение в задачи, с которыми сталкивается современный бизнес. Каждая тема курса будет рассмотрена на реальных кейсах. К концу каждого модуля у вас будет собственный сервис машинного обучения (ML-сервис), решающий сложную и важную задачу. Этот курс станет проверкой на прочность для любого специалиста по машинному обучению, поэтому дерзайте — я верю в вас!
Вы получите максимально глубокое погружение в задачи, с которыми сталкивается современный бизнес. Каждая тема курса будет рассмотрена на реальных кейсах. К концу каждого модуля у вас будет собственный сервис машинного обучения (ML-сервис), решающий сложную и важную задачу. Этот курс станет проверкой на прочность для любого специалиста по машинному обучению, поэтому дерзайте — я верю в вас!
Ведущий эксперт Principal в BP, ведущий преподаватель курса
ВАЛЕРИЙ БАБУШКИН
ВЫБИРАЙТЕ ТО, ЧТО ИНТЕРЕСНО >
РАНЖИРОВАНИЕ И МАТЧИНГ (сопоставление)
Алгоритмы автоматического сопоставления объектов позволяют решать множество важных задач бизнеса: выявление товаров-дублей, объединение данных о покупателях в онлайне и офлайне, анализ и мониторинг цен конкурентов. Разберём различные кейсы применения систем матчинга и ранжирования, рассмотрим технические тонкости их архитектур, познакомимся с передовыми подходами к обучению моделей и реализуем свою систему поисковых подсказок.
Преподаватель:
Игорь Котенков
6 недель
Продолжительность модуля:
внутри:
10 уроков и финальный проект
Программа модуля
Обсудим постановку задачи ранжирования с точки зрения машинного обучения. Разберёмся в тонкостях матчинга и верхнеуровнево познакомимся с архитектурой решения.
Рассмотрим различные метрики ранжирования: от самых базовых до актуальных и часто используемых. Обсудим их применение в разных ситуациях, углубимся в задачу матчинга и поговорим про особенности оценки результатов.
Продолжим углубляться в тему ранжирования и рассмотрим методы обучения моделей. Узнаем, какие существуют функции потерь и в каких случаях они используются.
Перейдём к следующему этапу развития ранжирующих систем и познакомимся с популярными алгоритмами и их внутренним устройством.
Разберёмся, какие за последнее время были придуманы способы и приемы, повышающие качество и стабильность моделей. Проследим развитие идей и концепций.
С увеличением объёма данных возрастает сложность ранжирования и поиска объектов. Рассмотрим алгоритмы, позволяющие быстро и эффективно искать схожие объекты в огромной базе.
Познакомимся с языковыми моделями для извлечения информации из текстов в векторном виде для её последующей утилизации моделями. Разберём принципы работы и обучения моделей FastText, узнаем, чем они отличаются от Word2Vec, и перейдём к структурированным синтаксическим моделям — DSSM.
Продолжим знакомство с текстовыми моделями. Разберём передовые архитектуры и посмотрим, в какой задаче матчинга трансформер может «выстрелить».
Научимся выживать в ситуациях, когда данных нет, но они очень нужны. Разберем основы парсинга (автоматизированного извлечения) данных с сайтов и сбора сырых данных.
Познакомимся с инструментом ручной разметки данных от компании Яндекс и узнаем, какую пользу он может принести в работе.
Финальный проект модуля
Используем полученные знания для разработки сервиса на основе моделей ранжирования. В качестве бонуса обсудим задачи, которые можно решить с минимальными изменениями текущего пайплайна.
инструменты:
ДИНАМИЧЕСКОЕ ЦЕНООБРАЗОВАНИЕ
Эффективность деятельности многих компаний зависит от способности устанавливать оптимальные цены на продукцию с учётом различных факторов и изменений, происходящих на рынке. Научимся создавать конвейер обработки данных (пайплайн) для динамического ценообразования с нуля для решения бизнес-задачи. Будем решать задачу динамического ценообразования через построение модели спроса/ определение эластичности/ многоруких бандитов.
Преподаватель:
Ирина Евстратенко
6 недель
Продолжительность модуля:
внутри:
9 уроков и финальный проект
Программа модуля
- Пройдемся по основным понятиям ценообразования
- Посмотрим на примерах как работает динамическое ценообразование в разных компаниях
- Верхнеуровнево обсудим, как можно решить бизнес задачу при помощи подходов динамического ценообразования
- Рассмотрим какие метрики используются при оценке алгоритмов динамического ценообразования в онлайне и офлайне
- Построим Backtest для измерения качества алгоритмов в офлайне
- Научимся строить модель спроса разными способами от самого простого - аналического - до самого сложного - трансформера
- Применим знания построения модели спроса в подходе к решению задачи динамического ценообразования
- Научимся удовлетворять запрос бизнеса "максимизировать одну бизнес метрику не допускать просадку другой"
- Научимся рассчитывать эластичности разными способами
- Применим знания расчета эластичности к решению задачи динамического ценообразования
- Обсудим теорию и разные стратегии многоруких бандитов
- Применим многорукие бандиты к решению задачи динамического ценообразования
- Научимся оценивать алгоритмы в онлайне с помощью АБ тестирования и Switchback
Финальный проект модуля, в котором предстоит построить живую систему динамического ценообразования, учитывающую обратную связь от пользователя
Подведем итоги обучения
UPLIFT-МОДЕЛИРОВАНИЕ (моделирование прироста эффекта)
Сегментация потребителей по чистому эффекту от маркетингового воздействия позволяет бизнесу сосредоточить рекламный бюджет на клиентах, готовых выполнить целевое действие только при наличии коммуникации. Научимся оценивать величину этого эффекта с помощью uplift-моделей (моделей оценки дополнительного эффекта), разберём интересные кейсы из практики, спроектируем библиотеку факторов и построим свой алгоритм для поиска оптимальной аудитории.
Преподаватель:
Ваге Брсоян
6 недель
Продолжительность модуля:
внутри:
5 уроков и финальный проект
Программа модуля
Обоснуем необходимость использования uplift и научимся правильно ставить задачу для эффективного моделирования. Рассмотрим популярные решения и метрики качества uplift-моделей.
Поговорим о том, как проводить разведочный анализ данных (EDA) при uplift-моделировании. Разберём такие подходы к построению uplift-деревьев, как meta-learners и uplift trees.
Узнаем, что такое декомпозиция бизнес-эффекта (expected value decomposition) и как с её помощью продумывать изменение интересующей метрики и схемы прогноза. Рассмотрим сложный кейс из офлайн-ритейла.
Для построения любой модели необходимы данные: например, важно понимать, откуда к нам пришёл тот или иной клиент и какие у него предпочтения. Узнаем, как проводить эксперименты с разными наборами предикторов (входных переменных) и как понять, какой набор является оптимальным для решения задачи. Убедимся, что оформление кода для расчёта предикторов в библиотеку — это самый быстрый путь развертывания и внедрения в эксплуатацию (вывода в продакшн).
Собственными руками построим приложение с применением uplift. Сначала продумаем последовательность действий (pipeline) для подготовки данных и применения модели и организуем репозитории с исходным кодом, а затем настроим логирование и уведомления. Также обсудим механику сохранения промежуточных результатов и подъёма приложения при его падении.
Финальный проект модуля
Напишем свой веб-сервис для запуска uplift-модели и организуем маркетинговую кампанию на основе транзакционных данных клиентов.
инструменты:
ПРОДВИНУТОЕ A/B-ТЕСТИРОВАНИЕ
Важными задачами в A/B-тестировании являются ускорение тестов и повышение их чувствительности. Это позволяет компаниям быстрее внедрять позитивные изменения и вовремя отказываться от негативных. Научимся применять современные методы повышения чувствительности A/B-тестов, рассмотрим полную последовательность действий (пайплайн) при тестировании и реализуем свой сервис для оценки экспериментов.
Преподаватель:
Александр Сахнов
6 недель
Продолжительность модуля:
внутри:
10 уроков и финальный проект
Программа модуля
Вспомним основы теории вероятностей и математической статистики, которые понадобятся в курсе. Научимся строить точечные оценки и доверительные интервалы.
Поговорим о том, что такое A/B-тестирование и чем оно отличается от других способов принятия решений. Узнаем, какие статистические критерии применяются в A/B-тестировании и как построить доверительный интервал с помощью метода Bootstrap.
Рассмотрим различные метрики А/B-тестирования и их классификацию. Выделим среди них те, которые используются чаще всего. Разберём наиболее удачные комбинации метрик.
Научимся рассчитывать минимальный детектируемый эффект и подбирать необходимый размер групп для проведения эксперимента. Познакомимся с идеями повышения чувствительности тестов.
Обсудим, в чём опасность проведения экспериментов на малом количестве данных. Узнаем, как дополнительные знания о наблюдаемых объектах помогают снижать дисперсию данных. Научимся сокращать дисперсию с помощью стратификации.
Проанализируем общие черты гильбертова пространства и CUPED. Научимся снижать дисперсию данных и повышать чувствительность теста за счёт использования исторических данных.
Познакомимся с особенностями тестирования ratio-метрик. Рассмотрим общие черты многопараметрического дельта-метода и линеаризации. Поговорим о том, как они связаны между собой.
Рассмотрим ситуацию, когда два улучшения могут привести к ухудшению ситуации, и научимся справляться с этой проблемой: узнаем, как организовать параллельное проведение большого количества экспериментов и как проводить эксперименты с несколькими вариантами изменений.
Поговорим о том, что происходит с корректностью теста, если оценивать эксперименты до их окончания. Научимся динамически определять момент завершения пилота.
Узнаем, как выглядит полная последовательность (пайплайн) A/B-тестирования и рассмотрим применение алгоритмов машинного обучения для повышения чувствительности текстов
Финальный проект модуля
Применим все полученные знания на практике и реализуем собственный веб-сервис для оценки большого числа экспериментов.
инструменты:
РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ
Сегодня рекомендательные системы встречаются во многих приложениях, где есть поиск и персонализация. Мы разберёмся, как построить свою рекомендательную систему, используя все возможные знания о пользователях и объектах рекомендации. На практике научимся использовать алгоритмы контентной фильтрации, матричной факторизации, обучим глубокие сети и модели ранжирования. А потом — рассмотрим проблемы, которые могут возникать в проде.
Преподаватель:
Алексей Лопатин
Продолжительность модуля:
6 недель
внутри:
10 уроков и финальный проект
Если вы проходили обучение на курсе по продвинутому машинному обучению, для вас будет действовать специальное предложение!
Программа блока
Рассмотрим, кем и для чего применяются рекомендательные системы. Разберёмся, что такое явная и неявная реакция. Узнаем, зачем нужна двухуровневая система сбора кандидатов и ранжирования
Построим самые базовые алгоритмы, которые будут выступать в качестве бейзлайна (эталонной модели). Также рассмотрим работу рекомендаций на основе содержания рекомендуемых предметов.
Разберёмся, как применять информацию о предпочтениях пользователей в сервисе для построения рекомендаций. Затем построим простую систему, используя классический KNN (алгоритм ближайших соседей) и оценим качество на офлайн метриках
Разберём задачу факторизации матрицы рейтингов — от SVD-разложения (сингулярное разложение матрицы) до более эффективной архитектуры ALS (Alternating Least Squares — метод попеременных наименьших квадратов) и функции ошибок BPR (Bayesian Personalized Ranking — байесовское персонализированное ранжирование). Узнаем, что такое факторизационные машины и как их применять на практике для рекомендательных систем.
Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применять подход W2V (обучение векторных представлений слов) в рекомендательных системах.
Рассмотрим применение глубоких архитектур для рекомендательных систем, их плюсы и минусы. Также разберём подход ранжирования с помощью глубоких сетей и сгенерированных признаков
Рассмотрим задачу рекомендаций в парадигме графовых нейросетей, разберем GCN-подобные архитектуры (Graph Convolutional Networks — графовые сверточные сети), их плюс и минусы
Узнаем, как применять простой алгоритм бандитов для холодного старта. Также рассмотрим другие алгоритмы из области обучения с подкреплением и обсудим, в каких задачах он улучшает качество рекомендаций
Вспомним задачу ранжирования, соберём датасет и сгенерируем признаки, по которым можно обучить модель для задачи ранжирования
Рассмотрим специфичные метрики рекомендаций, которые могут сильно влиять на опыт пользователя при взаимодействии с сервисом. Обсудим инфраструктуру для построения эффективной системы
Финальный проект
Используем полученные знания для разработки небольшого сервиса на основе рекомендательной системы. В качестве бонуса, обсудим, как добавить механизм АБ-тестирования
MLOps инженерия и сопровождение моделей машинного обучения)
Жизненный цикл разработки модели включает в себя несколько этапов: постановка задачи, разработка модели и операции с ней. Работа MLOps-инженера (инженера по сопровождению моделей машинного обучения) сосредоточена вокруг второго и третьего этапа.
На втором этапе специалисты по анализу данных и инженеры машинного обучения занимаются сбором данных, обучением и тюнингом (настройкой) моделей, генерацией фичей (признаков) и валидацией. На третьем этапе главные задачи это деплой (развертывание), мониторинг и обновление моделей.
На каждом из этих этапов возникают сложности и ошибки, связанные с человеческим фактором, будь то ушедший в отпуск специалист или потерянный скрипт при деплое (развертывании). Чтобы не терять деньги и пользователей, бизнес использует автоматизацию процессов. Так, MLOps охватывает разработку и операционные задачи, включая интеграцию моделей в систему ПО.
На курсе освоите практики и инструменты MLOps, научитесь внедрять и поддерживать модели машинного обучения в производственной среде, обеспечивая их воспроизводимость, масштабируемость и удобство сопровождения.
На втором этапе специалисты по анализу данных и инженеры машинного обучения занимаются сбором данных, обучением и тюнингом (настройкой) моделей, генерацией фичей (признаков) и валидацией. На третьем этапе главные задачи это деплой (развертывание), мониторинг и обновление моделей.
На каждом из этих этапов возникают сложности и ошибки, связанные с человеческим фактором, будь то ушедший в отпуск специалист или потерянный скрипт при деплое (развертывании). Чтобы не терять деньги и пользователей, бизнес использует автоматизацию процессов. Так, MLOps охватывает разработку и операционные задачи, включая интеграцию моделей в систему ПО.
На курсе освоите практики и инструменты MLOps, научитесь внедрять и поддерживать модели машинного обучения в производственной среде, обеспечивая их воспроизводимость, масштабируемость и удобство сопровождения.
6 недель
Продолжительность модуля:
внутри:
11 уроков и финальный проект
Преподаватели:
Александр Гущин, Михаил Свешников
Программа блока
Поймем важность воспроизводимости в машинном обучении и познакомимся с инструментами для её обеспечения. Рассмотрим основные этапы жизненного цикла моделей. Ответим на вопросы: «Как MLOps встраивается в работу команд по работе с данными и машинному обучению (ML/DS) и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
Изучим инструменты для контроля воспроизводимости.
Поймем процессы управления данными, включая их лейблинг (разметку), версионирование и обеспечение качества. Разберём, как работать с данными и использовать хранилище признаков (Feature Store) в больших распределённых системах (Big Data).
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Поймем процессы управления данными, включая их лейблинг (разметку), версионирование и обеспечение качества. Разберём, как работать с данными и использовать хранилище признаков (Feature Store) в больших распределённых системах (Big Data).
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Научимся организовывать трекинг кода и результатов экспериментов.
Получим навыки управления версиями моделей. Куда они сохраняются и как они отправляются в прод. Узнаем различия между оффлайн и онлайн моделями, а также научимся планировать задачи для их обучения и внедрения. Рассмотрим особенности обучения моделей в больших распределённых (BigData) системах
Получим навыки управления версиями моделей. Куда они сохраняются и как они отправляются в прод. Узнаем различия между оффлайн и онлайн моделями, а также научимся планировать задачи для их обучения и внедрения. Рассмотрим особенности обучения моделей в больших распределённых (BigData) системах
Узнаем ключевые понятия, технологии и подходы, связанные с деплоем (развертыванием). Узнаем, как организовать пакетную оценку (batch scoring), работать с моделями через программные интерфейсы (API) и потоковую обработку (streaming), а также как интегрировать модели в приложения. Рассмотрим специфику деплоя ML-моделей (в сравнении с обычными сервисами)
Научимся выбирать между монолитной архитектурой и микросервисами, понимать как организовать взаимодействие между сервисами.
Научимся развёртывать модели в REST API-сервисы и познакомимся с основными фреймворками (библиотеками и инструментами для упрощения разработки) для этого. Разберём, как работает GIL (Global Interpreter Lock — механизм блокировки интерпретатора Python) и какие ограничения он накладывает на использование моделей в продуктивной среде. Также самостоятельно разместим модель (задеплоим) в упрощённых вариантах, без участия команды
Узнаем зачем использовать контейнеры и научимся заворачивать свой ML сервис в контейнер.
Научимся автоматизировать процесс обучения и деплоя моделей, узнаем, как использовать оркестраторы (Airflow/Prefect) и освоим применение непрерывной интеграции и развертывания (CI/CD) в машинном обучении.
Научимся управлять планировкой задач (шедулингом) в CI/CD и увидим, как это делать с помощью Сron, Airflow и Databricks. Разберём, зачем нужна платформа Kubeflow и когда её применение оправдано.
Также научимся версионировать конвейеры обработки моделей (пайплайны), рассмотрим ключевые особенности оркестрации, переобучения и повторного развёртывания (передеплоя) ML-моделей.
Узнаем преимущества и недостатки запуска обучения на своей инфраструктуре и в облаках. Узнаем про популярные MLOps платформы. Поймем как выбирать подходящую облачную платформу и использовать ее инструменты для машинного обучения с учетом имеющихся ограничений.
Научимся мониторить работу моделей (научимся работать с Prometheus, Grafana), качество данных поступающих в сервис, узнаем как реагировать на поломки сервиса и как предусмотреть запасные заглушки.
Знание, какие тесты бывают и умение их написать
Знание, какие тесты бывают и умение их написать
Сделаем Ci/CD пайплайн, который задетектит обновление данных и передеплоит модель. Мы обновляем данные несколько раз и шлем прогнозы в сервис, проверяя, что модель в нем обновилась.
Подведем итоги блока. Обсудим принципы Data Flywheel — концепции циклического улучшения данных и моделей. Разберём анализ ошибок и доработку моделей.
Также ответим на вопросы: «Как убедить руководство и команду в необходимости MLOps?», «Как изменить процессы в команде, чтобы специалисты по анализу данных начали активно использовать ваши инструменты MLOps?»
Также ответим на вопросы: «Как убедить руководство и команду в необходимости MLOps?», «Как изменить процессы в команде, чтобы специалисты по анализу данных начали активно использовать ваши инструменты MLOps?»
РЕКОМЕНДУЕМЫЙ УРОВЕНЬ:
Отличается для каждого блока
— Знание синтаксиса языка
— Понимание базовых структур данных (список, словарь, кортеж)
— Умение отлаживать код и писать тесты
— Знание основ ООП (класс, объект)
— Владение библиотеками Pandas, Scikit-learn, PyTorch
— Знание основ теории вероятностей и математической статистики
— Базовые знания Bash, Docker, Git
— Знание классических ML-алгоритмов
— Базовые знания в глубоких нейросетях
— Понимание клиент-серверных запросов
— Минимальный опыт работы с веб-фреймворками (например, Flask)
Демоверсия
Не уверены, подходит ли вам курс?
Пройдите демоверсию, в которой вас ждет:
Пройдите демоверсию, в которой вас ждет:
0 ₽
+ Разбор реального рабочего проекта с Валерием Бабушкиным
Доступ к демоверсии откроется после регистрации на образовательной платформе.
+ Подробное описание каждого блока
+ Тестирование для оценки знаний (по желанию)
+ Ответы на самые популярные вопросы о процессе обучения
Регистрация на образовательной платформе
Для доступа к демоверсии вам необходимо зарегистрироваться на нашей образовательной платформе, указав ваши имя, фамилию и электронную почту.
Вы сможете продолжить использовать свою учётную запись для обучения на полной версии курса или других наших программах.
Если у вас уже есть учётная запись, можно использовать её.
Вы сможете продолжить использовать свою учётную запись для обучения на полной версии курса или других наших программах.
Если у вас уже есть учётная запись, можно использовать её.
ПОДРОБНЕЕ О КАЖДОМ БЛОКЕ
Валерий Бабушкин расскажет о курсе и его содержании. Вы узнаете, в чём ценность каждого блока, какие задачи предстоит решать и сколько времени понадобится на освоение программы.
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
КАК ПРОХОДИТ ОБУЧЕНИЕ >
УЧИТЕСЬ В УДОБНОМ ФОРМАТЕ
— Выбирайте любую последовательность прохождения блоков
— Изучайте новую тему с помощью лекций и конспектов в удобное время
— Закрепляйте практикой на нашей образовательной платформе после каждого урока
— Изучайте новую тему с помощью лекций и конспектов в удобное время
— Закрепляйте практикой на нашей образовательной платформе после каждого урока
ПОЛУЧАЙТЕ ОБРАТНУЮ СВЯЗЬ
— Отправляйте свое решение на проверку
— Сразу получайте подробную ОС от нашей проверяющей системы
— Обсуждайте задачи с экспертами в любой день недели
— Сразу получайте подробную ОС от нашей проверяющей системы
— Обсуждайте задачи с экспертами в любой день недели
ПОЛУЧАЙТЕ ПОДТВЕРЖДЕНИЕ О ПРОХОЖДЕНИИ программы
— Создавайте свои сервисы по машинному обучению по каждому блоку в качестве финальных проектов
— Получайте сертификаты на русском и английском языках
— Получайте сертификаты на русском и английском языках
УЧИТЕСЬ В УДОБНОМ ФОРМАТЕ
— Выбирайте любую последовательность прохождения блоков
— Изучайте новую тему с помощью лекций и конспектов в удобное время
— Закрепляйте практикой на нашей образовательной платформе после каждого урока
— Изучайте новую тему с помощью лекций и конспектов в удобное время
— Закрепляйте практикой на нашей образовательной платформе после каждого урока
ПОЛУЧАЙТЕ ОБРАТНУЮ СВЯЗЬ
— Отправляйте свое решение на проверку
— Сразу получайте подробную ОС от нашей проверяющей системы
— Обсуждайте задачи с экспертами в любой день недели
— Сразу получайте подробную ОС от нашей проверяющей системы
— Обсуждайте задачи с экспертами в любой день недели
ПОЛУЧАЙТЕ ПОДТВЕРЖДЕНИЕ О ПРОХОЖДЕНИИ ПРОГРАММЫ
— Создавайте свои сервисы по машинному обучению по каждому блоку в качестве финальных проектов
— Получайте сертификаты на русском и английском языках
— Получайте сертификаты на русском и английском языках
ВАЛЕРИЙ БАБУШКИН
Работал в WhatsApp, руководил отделом Data Science and Engineering в X5 Retail Group, был директором по аналитике и машинному обучению в компаниях Яндекс и Alibaba. Ведёт курс Data Science в Высшей Школе Экономики. Консультирует центральный банк Казахстана по вопросам анализа данных. Имеет звание Grandmaster на платформе Kaggle.
Ирина Евстратенко
Лид команды ML ценообразования в AliExpress Россия
ВАГЕ БРСОЯН
Руководитель группы моделирования и прогнозирования бизнеса в Яндекс.Маркете. Ранее более двух лет занимал позицию тимлида в X5 Retail Group. До этого два года работал ML-инженером в Яндексе. Ментор программы «Школа будущих CTO».
ИГОРЬ КОТЕНКОВ
Работает Senior ML Engineer в AliExpress Russia. До этого был аналитиком-разработчиком в Яндексе, работал в X5 и Сбербанк-Технологиях. Проводит стажировки и готовит разборы передовых научных статей для команды. Имеет звание Kaggle Competitions Master.
АЛЕКСАНДР САХНОВ
Руководитель отдела мультивариативного анализа в X5 Retail Group. За более чем два года работы в компании в 100 раз повысил чувствительность A/B-тестов. Преподаёт в Школе анализа данных Яндекса.
ВЛАДИСЛАВ ЛАДЕНКОВ
Делает инфраструктуру для роботов. Ранее занимался инженерией данных в Blockchain.com и инфраструктурой в команде речевых технологий Х5 Retail Group. CTO в HRTech стартапе
АЛЕКСЕЙ ЛОПАТИН
Работает Senior ML Engineer в Constructor.io, до этого работал над рекомендательными системами в Яндексе, Одноклассниках и ВКонтакте. Ассистирует в Школе анализа данных Яндекса на ML курсе.
Александр Гущин
В прошлом глава команды глубокого обучения в Яндексе. Пришел в MLOps из анализа данных. Автор курса «How to win data science competitions» на Coursera.
Михаил Свешников
Ex-Iterative.ai. Участник ods.ai. Пришел в MLOps из разработки.
Авторы курса >
ВАЛЕРИЙ БАБУШКИН
Старший главный начальник (Senior Principal) в BP
ИринА Евстратенко
лид команды ML ценообразования в AliExpress Россия
ВАГЕ БРСОЯН
Яндекс.Маркет, ex. Х5 Retail Group
ИГОРЬ КОТЕНКОВ
Senior ML Engineer в AliExpress Russia
АЛЕКСАНДР САХНОВ
Руководитель отдела мультивариативного анализа X5 Retail Group
Алексей Лопатин
Senior ML Engineer
в Constructor.io
в Constructor.io
Александр Гущин
Михаил Свешников
MLOps tools developer в Evidently AI
Разработчик MLOps-инструментов с открытым исходным кодом и платформы MLOps в Iterative.ai.
ОТЗЫВЫ СТУДЕНТОВ //
- Высокое качество материала и заданий
Крайне полезные курсы по продвинутому анализу данных. Особенно хочется выделить модули по A/B тестированию и Uplift моделированию. Качество материала, задачи на высоком уровне.
Читать полностью →ИГОРЬ МОИСЕЕВ - Полезный курс с практической направленностью
Понравилась практическая направленность. В выбранных тематиках было достаточно современных подходов, теории и задач.
Понравилось, что были разборы ДЗ — это реально помогало.
Читать полностью →МИХАИЛ КОЛОМАСОВ - Знания пригодились как на собеседованиях, так и в самой работе
Я воспользовался программой помощи в трудоустройстве, которая включена в курс. И именно через специалиста karpov. courses меня нашла моя новая работа.
Читать полностью →АЛЕКСАНДР КАСАТКИН - Получил удовольствие от решения сложных задач
Интересный материал: из курса можно узнать много нового, что можно найти лишь в специализированной литературе. Сложные задания: над многими задачами приходилось сидеть по много часов. Но зато я действительно радовался.
Читать полностью →ПАВЕЛ ЧАБУРКО
- Высокое качество материала и заданий
Крайне полезные курсы по продвинутому анализу данных. Особенно хочется выделить модули по A/B тестированию и Uplift моделированию. Качество материала, задачи на высоком уровне.
Данный курс глобально повлиял на мою карьеру. Благодаря приобретенным навыкам, в особенности по модулю продвинутое A/B тестирование, через 2 месяца после окончания курса я получил оффер на позицию Senior research analyst в крупнейшем маркетплейсе РФ, хотя до этого в IT компаниях я не работал.ИГОРЬ МОИСЕЕВ
Игорь Моисеев
«Высокое качество материала и заданий.
Крайне полезные курсы по продвинутому анализу данных. Особенно хочется выделить модули по A/B тестированию и Uplift моделированию. Качество материала, задачи на высоком уровне.
Данный курс глобально повлиял на мою карьеру. Благодаря приобретенным навыкам, в особенности по модулю продвинутое A/B тестирование, через 2 месяца после окончания курса я получил оффер на позицию Senior research analyst в крупнейшем маркетплейсе РФ, хотя до этого в IT компаниях я не работал.»
Крайне полезные курсы по продвинутому анализу данных. Особенно хочется выделить модули по A/B тестированию и Uplift моделированию. Качество материала, задачи на высоком уровне.
Данный курс глобально повлиял на мою карьеру. Благодаря приобретенным навыкам, в особенности по модулю продвинутое A/B тестирование, через 2 месяца после окончания курса я получил оффер на позицию Senior research analyst в крупнейшем маркетплейсе РФ, хотя до этого в IT компаниях я не работал.»
Михаил Коломасов
«Полезный курс с практической направленностью.
Понравилась практическая направленность. В выбранных тематиках было достаточно современных подходов, теории и задач.
Понравилось, что были разборы ДЗ — это реально помогало. Также понравился интерактив с преподавателями и другими студентами. Очень полезный курс, так держать!
Какие-то вещи получилось применить сразу, какие-то смотрел «по диагонали». В целом не все задачи курса сейчас использую, но некоторые разделы (деплой, ценообразование) уже удалось применить в работе. Какие-то вещи просто не успел еще как следует разобрать (те же А\В тесты).»
Понравилась практическая направленность. В выбранных тематиках было достаточно современных подходов, теории и задач.
Понравилось, что были разборы ДЗ — это реально помогало. Также понравился интерактив с преподавателями и другими студентами. Очень полезный курс, так держать!
Какие-то вещи получилось применить сразу, какие-то смотрел «по диагонали». В целом не все задачи курса сейчас использую, но некоторые разделы (деплой, ценообразование) уже удалось применить в работе. Какие-то вещи просто не успел еще как следует разобрать (те же А\В тесты).»
Александр Касаткин
«Знания пригодились как на собеседованиях, так и в самой работе.
Я воспользовался программой помощи в трудоустройстве, которая включена в курс. И именно через специалиста karpov. courses меня нашла моя новая работа (хотя я и сам искал вакансии). Я устроился в небольшой, уютный, но подающий надежды стартап, где с нуля развивал продукт по кредитному скорингу малых предпринимателей для продажи банкам.
Перед тем как начать искать работу, я прошел только модули «Ранжирование и матчинг» и «Динамическое ценообразование». И эти знания пригодились мне как на собеседованиях, так и в работе. Также, конечно, в ежедневной работе помогают «Сценарии деплоя ML-сервисов».
Применить непосредственно на практике заглавные темы модулей «Uplift-моделирование» и «Продвинутое A/B-тестирование» пока не довелось, но полученные знания всё равно не были лишними: продвинутое A/B-тестирование подтянуло статистику, а в модуле по uplift была тема по проектированию библиотеки факторов, что актуально в любых ML-задачах.
В целом, в каждом модуле для меня было что-то новое, полезное, интересное. Но если говорить о личных предпочтениях, то особенно понравились «Ранжирование и матчинг» и «Uplift-моделирование». Тут сыграли роль и обаяние преподавателей (не в обиду преподавателям других блоков), и структура модулей, и какие-то мои собственные интересы.»
Я воспользовался программой помощи в трудоустройстве, которая включена в курс. И именно через специалиста karpov. courses меня нашла моя новая работа (хотя я и сам искал вакансии). Я устроился в небольшой, уютный, но подающий надежды стартап, где с нуля развивал продукт по кредитному скорингу малых предпринимателей для продажи банкам.
Перед тем как начать искать работу, я прошел только модули «Ранжирование и матчинг» и «Динамическое ценообразование». И эти знания пригодились мне как на собеседованиях, так и в работе. Также, конечно, в ежедневной работе помогают «Сценарии деплоя ML-сервисов».
Применить непосредственно на практике заглавные темы модулей «Uplift-моделирование» и «Продвинутое A/B-тестирование» пока не довелось, но полученные знания всё равно не были лишними: продвинутое A/B-тестирование подтянуло статистику, а в модуле по uplift была тема по проектированию библиотеки факторов, что актуально в любых ML-задачах.
В целом, в каждом модуле для меня было что-то новое, полезное, интересное. Но если говорить о личных предпочтениях, то особенно понравились «Ранжирование и матчинг» и «Uplift-моделирование». Тут сыграли роль и обаяние преподавателей (не в обиду преподавателям других блоков), и структура модулей, и какие-то мои собственные интересы.»
Павел Чабурко
«Получил удовольствие от решения сложных задач.
Интересный материал: из курса можно узнать много нового, что можно найти лишь в специализированной литературе. Сложные задания: над многими задачами приходилось сидеть по много часов. Но зато я действительно радовался, когда наконец получалось самостоятельно дойти до решения.
Я поступил на курс, так как хотел расширить кругозор за счет решения нетиповых задач. К сожалению, практического применения полученным навыкам на текущем месте работы нет. Особо хочу поблагодарить Владислава Ладенкова за то, что не только записал прекрасные лекции, но и лично подробно обсудил со мной финальный проект.»
Интересный материал: из курса можно узнать много нового, что можно найти лишь в специализированной литературе. Сложные задания: над многими задачами приходилось сидеть по много часов. Но зато я действительно радовался, когда наконец получалось самостоятельно дойти до решения.
Я поступил на курс, так как хотел расширить кругозор за счет решения нетиповых задач. К сожалению, практического применения полученным навыкам на текущем месте работы нет. Особо хочу поблагодарить Владислава Ладенкова за то, что не только записал прекрасные лекции, но и лично подробно обсудил со мной финальный проект.»
СТОИМОСТЬ обучения:
6 блоков
при рассрочке на 24 мес.
199 000 ₽
11 638 ₽ / мес.
Доступ к поддержке:
9 месяцев
В рассрочку от:
Одним платежом:
5 блоков
при рассрочке на 24 мес.
10 467 ₽ / мес.
179 000 ₽
Доступ к поддержке:
7,5 месяцев
В рассрочку от:
Одним платежом:
4 блока
при рассрочке на 24 мес.
159 000 ₽
9 300 ₽ / мес.
Доступ к поддержке:
6 месяцев
В рассрочку от:
Одним платежом:
3 блока
при рассрочке на 24 мес.
139 000 ₽
8 129 ₽ / мес.
Доступ к поддержке:
4,5 месяца
В рассрочку от:
Одним платежом:
2 блока
при рассрочке на 24 мес.
109 000 ₽
6 375 ₽ / мес.
Доступ к поддержке:
3 месяца
В рассрочку от:
Одним платежом:
1 блок
при рассрочке на 24 мес.
69 000 ₽
4 038 ₽ / мес.
Доступ к поддержке:
1,5 месяца
В рассрочку от:
Одним платежом:
Оплачивайте курс так, как удобно: единовременно со скидкой до 16% или в рассрочку
Беспроцентная рассрочка или оплата частями от наших партнёров:
Получите нужные навыки и развивайтесь в профессии — обучение может оплатить ваш работодатель
Повышайте квалификацию за счёт компании
Можно вернуть до 13% от стоимости обучения
Налоговый вычет
Если за две недели курс вам не подойдёт, вернем полную стоимость. Позже — за вычетом пройденных уроков
Не подойдёт — вернём оплату
Выберите удобный срок рассрочки на этапе оплаты — от 4 до 24 месяцев
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
Оставить заявку на поэтапную оплату
ОСТАВИТЬ ЗАЯВКУ
Комбо-предложения — обучение выгоднее на 15%
9 473 ₽ / мес.
В рассрочку:
161 950 ₽
Полная стоимость:
Продвинутое машинное обучение (3 блока) + 1 блок со скидкой 50% + «Симулятор DS: тренажёр по анализу данных и машинному обучению»
Узнаете на практике, как применить ML в конкретной бизнес-сфере и объяснить, какую пользу это дает компании. Получите опыт, уверенность в своих навыках и проекты для портфолио
9 597 ₽ / мес.
В рассрочку:
164 075 ₽
Полная стоимость:
Продвинутое машинное обучение (3 блока) + 1 блок со скидкой 50% + «Симулятор А/В-тестов»
Усилите себя сразу в двух направлениях: прикладное машинное обучение в разных нишах и практика в A/B-тестах. Добавите в портфолио проекты, которые помогут выделиться на рынке
8 878 ₽ / мес.
В рассрочку:
151 750 ₽
Полная стоимость:
Продвинутое машинное обучение (3 блока) + 1 блок со скидкой 50% + «системный дизайн»
Научитесь применять ML в разных нишах и мыслить шире одной модели. Узнаете, как превратить ML-решение в продукт: сервис, который стабильно работает под нагрузкой и дает бизнес-эффект
7 136 ₽ / мес.
В рассрочку:
122 000 ₽
Полная стоимость:
Продвинутое машинное обучение (3 блока) + 1 блок со скидкой 50%
Соберете свою программу для погружения в ML. Сможете пройти любые 4 блока: от сбора данных до деплоя и мониторинга моделей — и получите полный набор навыков ML-инженера
Регистрация на образовательной платформе
Для оплаты курса вам необходимо зарегистрироваться на нашей образовательной платформе, указав ваши имя, фамилию и электронную почту.
Если у вас уже есть учётная запись, можно использовать её.
Если у вас уже есть учётная запись, можно использовать её.
Вопросы и ответы >>
Студенты и выпускники программы HardML (Продвинутое машинное обучение). Участие для студентов с корпоративной оплатой (от юридических лиц) не предусмотрено.
Главное отличие — в приоритете и прозрачности. Ваше резюме гарантированно попадает к HR MAGNIT TECH и рассматривается в первую очередь. Вы получаете обратную связь по итогам скрининга. Это исключает ситуацию, когда резюме «зависает» на работном сайте на недели без ответа.
MAGNIT TECH предлагает гибридный формат для Москвы и Краснодара, и полностью удаленный формат для кандидатов из других регионов России.
Карьерный центр karpov. courses будет информировать студентов и выпускников о появлении новых релевантных вакансий в MAGNIT TECH через рассылки и чаты.
Нет. Программа даёт возможность участвовать в приоритетном отборе, но решение о том, кого пригласить на интервью, принимает MAGNIT TECH.
ML Engineer (Инженер машинного обучения)
Задачи: разработка и внедрение ML-моделей (персонализация, рекомендации, прогнозирование, uplift, динамическое ценообразование), проектирование признаков и ML-пайплайнов, а также ведение end-to-end ML-проектов в тесной связке с продуктом и бизнесом.
Технологический стек (может варьироваться в зависимости от отдела): Python, SQL, Spark, ClickHouse, Airflow, ML-фреймворки (CatBoost / LightGBM / XGBoost, PyTorch и др.), ElasticSearch и векторные поисковые решения
Задачи: разработка и внедрение ML-моделей (персонализация, рекомендации, прогнозирование, uplift, динамическое ценообразование), проектирование признаков и ML-пайплайнов, а также ведение end-to-end ML-проектов в тесной связке с продуктом и бизнесом.
Технологический стек (может варьироваться в зависимости от отдела): Python, SQL, Spark, ClickHouse, Airflow, ML-фреймворки (CatBoost / LightGBM / XGBoost, PyTorch и др.), ElasticSearch и векторные поисковые решения
Представитель компании сообщит вам в письме о положительном или отрицательном решении.
Да, мы осуществляем образовательную деятельность на основании государственной лицензии № Л035-01298-77/00179689 от 11 апреля 2022 года, выданной Департаментом образования и науки города Москвы.
Да. Если вы оплатили обучение на курсе после 23 мая 2022 года, являетесь налоговым резидентом России и уплачиваете подоходный налог, вы можете оформить вычет. Однако подать документы можно только в году, следующем за годом оплаты обучения.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Для комфортного обучения на всех 5 модулях необходимо знать классические ML-алгоритмы и уметь программировать на языке Python: знать основы ООП, владеть библиотеками Pandas, Scikit-learn и опционально PyTorch. Вы должны быть знакомы с основами теории вероятностей и математической статистики, принципом работы A/B-тестов и метода Bootstrap. Также вам потребуются базовые знания Bash, Docker, Git и минимальный опыт работы с веб-фреймворками.
Рекомендуем пройти входное тестирование, чтобы оценить свой уровень знаний. Это бесплатно и ни на что не влияет, но может помочь вам принять решение.
Рекомендуем пройти входное тестирование, чтобы оценить свой уровень знаний. Это бесплатно и ни на что не влияет, но может помочь вам принять решение.
Да, теперь вы можете приобрести только интересующие вас на данный момент блоки. Чем больше блоков вы покупаете, тем выгоднее будет стоимость каждого их них. Подробнее со стоимостью вы можете ознакомиться здесь. Позднее вы сможете докупить блоки по специальной цене — 49 000 рублей.
На каждый блок мы даём по 1,5 месяца доступа к поддержке и инфраструктуре. При этом вы сами распределяете это время по блокам, например, их можно проходить параллельно. По истечении этого времени, доступы к поддержке и инфраструктуре будут отключены, но материалы курса останутся у вас навсегда.
Да, если вы купили пакет из нескольких блоков, то в день старта вы получите доступ к первым урокам всех оплаченных блоков. Вы сами выбираете с какого блока начать, а также можете проходить блоки параллельно.
В среднем наши студенты занимаются по 10−15 часов в неделю. Этого времени достаточно, чтобы успевать смотреть лекции и вовремя выполнять домашние задания. Однако нагрузка у всех модулей разная и зависит от вашего уровня подготовки — если вы уже хорошо знакомы с моделями и алгоритмами, лежащими в основе учебного модуля, то на его прохождение уйдёт меньше времени.
Обучение проходит на нашей собственной образовательной платформе ЛМС. На ней вы сможете смотреть предзаписанные лекции, конспекты, выполнять задания на нашей инфраструктуре, а также смотреть разборы по ним. Уроки будут открываться последовательно исходя из вашего прогресса. В конце каждого модуля вас будет ждать финальный проект, который поможет закрепить полученные знания и станет хорошим дополнением к вашему резюме. Если во время обучения возникнут сложности, вы сможете обратиться за помощью к ребятам из команды поддержки.
Лекции вы сможете смотреть с любого устройства, но для написания кода вам потребуется компьютер или ноутбук. Требований к конфигурации и мощности нет — мы предоставим всю необходимую инфраструктуру для работы на удалённом сервере. На старте обучения специальные программы устанавливать не обязательно — будут нужны только браузер и приложения для общения: ZOOM и мессенджер «Пачка».
Мы организовали обучение таким образом, чтобы вы могли совмещать его с работой, учёбой и личной жизнью. Заниматься вы сможете в любое время и в удобном для вас темпе.
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас работает команда поддержки, которая поможет разобраться со сложной задачей.
Если вдруг что-то пойдёт не по плану и вы почувствуете, что отстаёте от программы, сообщите об этом кураторам курса. Вместе мы придумаем, как сделать ваше обучение более удобным.
Продвинутый курс фокусируется не на основах, а на решении комплексных бизнес-задач и построении готовых ML-сервисов, охватывая все этапы работы инженера: от сбора данных до деплоя и мониторинга.
Курс позволяет углубиться в специализированные и востребованные области, такие как системы ранжирования и матчинга, динамическое ценообразование или uplift-моделирование для точечного маркетинга.
Он даёт практический опыт решения нестандартных задач, с которыми сталкивается бизнес, что позволяет претендовать на более сложные проекты, повышение или новые должности в России и за рубежом.
Вы сможете самостоятельно разрабатывать и внедрять в эксплуатацию (продакшн) ML-сервисы для конкретных бизнес-кейсов, например, систему динамического ценообразования или алгоритм для поиска оптимальной маркетинговой аудитории.
Да, практический опыт построения сквозных систем (end-to-end) и глубокое погружение в передовые методы машинного обучения, полученные на курсе, являются ключевым преимуществом на собеседованиях для высоких позиций.
Остались вопросы?
Отправьте заявку, и мы проконсультируем вас.
