ml engineering:
|
ФОРМАТ
ОНЛАЙН
ОНЛАЙН
2 проекта
в портфолио
в портфолио
длительность
9 МЕСЯЦЕВ
9 МЕСЯЦЕВ
диплом
итмо
итмо
УЗНАТЬ ДАТУ СЛЕДУЮЩЕГО СТАРТА
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
О курсе karpov.courses x AI Talent Hub >
Разработка в ML претерпевает серьезные изменения. Одной из ключевых составляющих успеха стал продуктовый подход — обучение через практику на реальных данных.
AI TALENT HUB — крупнейшая магистратура по ИИ ИТМО и онлайн-комьюнити специалистов по машинному обучению, которое задает тренд на обучение ML через практику на реальных задачах бизнеса, развитие продуктового мышления и включение студентов в ML-комьюнити — сообщество практиков, менторов, единомышленников.
на этом курсе вы://
Освоите не только техническую базу
1/
2/
3/
4/
Поймёте, как создавать востребованные решения
Научитесь глубже понимать потребности рынка
Добавите 2 реальных MVP в портфолио
ВЫПУСКНИКИ КУРСА ПОЛУЧАТ ВОЗМОЖНОСТЬ ПОСТУПИТЬ НА БЮДЖЕТНОЕ ОТДЕЛЕНИЕ МАГИСТРАТУРЫ ИТМО AI TALENT HUB И ОКОНЧИТЬ ЕЕ ЗА 1 ГОД, ВМЕСТО СТАНДАРТНЫХ 2-Х ЛЕТ ОБУЧЕНИЯ!
Сертификат и диплом после курса:
ПОЛУЧИТЕ НЕОБХОДИМУЮ
БАЗУ ДЛЯ РАБОТЫ В СФЕРЕ ML >>
ML-инженер — это специалист, который находится на стыке анализа данных и разработки. Он должен уметь писать код, строить математические модели и понимать потребности бизнеса.
Head of Data Science Raiffeisen CIB, хедлайнер курса
Нерсес Багиян
Одним словом, перед вами — исчерпывающий starter pack для начала карьеры в ML и Data Science.
Мы составили программу курса таким образом, чтобы любой желающий без сильной математической подготовки смог разобраться со всеми этапами работы: от сбора данных и применения классических алгоритмов до обучения нейросетей и проведения A/B-тестов.
Искать работу в новой профессии непросто, поэтому мы решили поделиться своим опытом и уделили отдельное внимание подготовке к собеседованиям и разбору популярных задач.
Чем занимаются ML-Инженеры:
Анализируют
ОЦЕНИВАЮТ
влияние новых алгоритмов на продукт и проводят эксперименты.
///
большие объёмы данных и ищут в них закономерности.
///
создают
модели машинного обучения и нейронные сети, которые помогают бизнесу принимать решения.
///
Разрабатывают
приложения и инфраструктуру для автоматизации работы ML-решений.
///
Кому подойдёт этот курс?
Хотите освоить машинное обучение, но не знаете, с чего начать. Курс даст все необходимые знания для старта карьеры в ML.
НОВИЧКАМ
Увлекаетесь математикой и точными науками, но хотите перейти от теории к практике и научиться решать реальные бизнес-задачи.
МАТЕМАТИКАМ
Имеете опыт в программировании и разработке приложений, но хотите применить свои знания в новой области и научиться выявлять потребности бизнеса.
РАЗРАБОТЧИКАМ
Уже работаете с данными, но хотите освоить продвинутые методы и инструменты, чтобы выйти на качественно новый уровень в аналитике.
АНАЛИТИКАМ
как проходит обучение>
// УЗНАВАЙТЕ ПОДРОБНЕЕ О КУРСЕ
Анатолий Карпов расскажет подробнее о совместном курсе karpov.courses и ИТМО AI talent Hub, о его ценности и особенности использования полученных знаний в дальнейшей работе.
ИТМО
KARPOV.COURSES
AI Talent Hub
// ФОРМАТ ОБУЧЕНИЯ
— На учёбу наши студенты тратят в среднем 20 часов в неделю
— Обучение проходит в интенсивном формате по 3 занятия в неделю
— Домашние задания выполняются на настоящей инфраструктуре
— Все лекции и дополнительные материалы доступны на образовательной платформе и остаются у вас после окончания курса
// ФОКУСИРУЙТЕСЬ НА ПРАКТИКЕ
Мы включили в программу теорию по математике в необходимом для практики объеме. Помимо отдельного блока по статистике, математика встречается в уроках по машинному обучению — там, где она пригождается ML-специалисту. Ничего учить отдельно не придется, мы уже подобрали лучшие материалы и задания за вас.
Мы добавили как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.
// РАБОТАЙТЕ НАД РЕАЛЬНЫМ ПРОЕКТОМ
Вы построите систему ранжирования постов в социальной сети. Над проектом вы будете работать на протяжении всего курса, выполняя задания по мере изучения необходимой теории. Вы освоите важнейшие области машинного обучения (от табличных данных до картинок) и познакомитесь с промышленной разработкой. В итоге вы создадите API, которое выбирает самые релевантные посты для каждого клиента.
// ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте во всех необходимых инструментах на нашей инфраструктуре. Вам не придется устанавливать ПО на свой компьютер, мы предоставляем доступ ко всем технологиям
— Изучайте решения преподавателей и других студентов
— Практикуйтесь на данных из реальных задач
// ЗАДАВАЙТЕ ЛЮБЫЕ ВОПРОСЫ В ПОДДЕРЖКУ
— Обсуждайте задачи и проекты с экспертами рынка
— Вашими менторами будут ML-инженеры из ведущих российских компаний
По окончании курса мы помогаем нашим студентам устроиться на работу: объясняем, как правильно составить резюме и сопроводительное письмо, отрабатываем навыки самопрезентации, а затем отправляем ваше резюме с рекомендациями компаниям-партнёрам. В течение всего процесса трудоустройства мы поддерживаем и сопровождаем наших студентов — вплоть до получения желаемого оффера.
// УСТРАИВАЙТЕСЬ НА РАБОТУ ПОСЛЕ КУРСА
какие инструменты вы освоите:
ПРОГРАММА КУРСА ://
Начнём с основ программирования, научимся писать код на Python и освоим библиотеки для анализа данных и машинного обучения. Научимся работать с базами данных и разберёмся, как с помощью SQL-запросов получать данные для моделей. Поговорим об архитектуре приложений и узнаем, как контролировать версии с помощью Git. Напишем прототип будущего ML-сервиса и настроим всё необходимое для его работы.
Познакомимся с классическими алгоритмами машинного обучения. Рассмотрим всё от простых линейных моделей до градиентного бустинга на решающих деревьях. Научимся готовить данные для моделей, настраивать разные параметры и оценивать качество работы ML-алгоритмов. Обсудим тонкости разработки рекомендательных систем, обучим модель на данных социальной сети и свяжем её с нашим приложением.
Познакомитесь с основными концепциями DevOps и MLOps. На практике научитесь создавать автоматизированные пайплайны и воспроизводимые эксперименты. С поддержкой менторов автоматизируете развёртывание проекта на удалённом сервере.
Упакуем наши модели для последующего переиспользования. В этом модуле вы научитесь разрабатывать веб сервисы с использованием FastAPI. Познакомитесь с тем как дизайнить API для различных сервисов и также как подготовить сервис для вывода в прод.
Глубинное обучение и нейронные сети позволяют решать задачи, в которых классические модели бессильны: распознавание лиц, детекция объектов на изображениях, генерация осмысленного текста. Разберём популярные архитектуры нейросетей, научимся применять предобученные модели и тренировать свои. Построим продвинутую модель и усовершенствуем наш алгоритм рекомендаций.
Пройдем весь путь создания ML продукта от базовой идеи до питчинга перед всем миром. Научитесь формулировать бизнес задачи на язык ML, поймете чем прототип отличается от MVP и какая функциональность необходима на каждом этапе.
Рассмотрим основные понятия теории вероятностей и математической статистики. Научимся проводить A/B-тесты и достоверно оценивать влияние ML-моделей на продукт и бизнес. Обсудим подводные камни проведения экспериментов и способы оценки метрик в ситуациях, когда A/B-тест провести невозможно. Реализуем свою систему тестирования и узнаем, удалось ли нам повысить качество рекомендаций в сравнении с базовым решением.
Начнём с основ программирования, научимся писать код на Python и освоим библиотеки для анализа данных и машинного обучения. Научимся работать с базами данных и разберёмся, как с помощью SQL-запросов получать данные для моделей. Поговорим об архитектуре приложений и узнаем, как контролировать версии с помощью Git. Напишем прототип будущего ML-сервиса и настроим всё необходимое для его работы.
Познакомимся с классическими алгоритмами машинного обучения. Рассмотрим всё от простых линейных моделей до градиентного бустинга на решающих деревьях. Научимся готовить данные для моделей, настраивать разные параметры и оценивать качество работы ML-алгоритмов. Обсудим тонкости разработки рекомендательных систем, обучим модель на данных социальной сети и свяжем её с нашим приложением.
Познакомитесь с основными концепциями DevOps и MLOps. На практике научитесь создавать автоматизированные пайплайны и воспроизводимые эксперименты. С поддержкой менторов автоматизируете развёртывание проекта на удалённом сервере.
Упакуем наши модели для последующего переиспользования. В этом модуле вы научитесь разрабатывать веб сервисы с использованием FastAPI. Познакомитесь с тем как дизайнить API для различных сервисов и также как подготовить сервис для вывода в прод.
Глубинное обучение и нейронные сети позволяют решать задачи, в которых классические модели бессильны: распознавание лиц, детекция объектов на изображениях, генерация осмысленного текста. Разберём популярные архитектуры нейросетей, научимся применять предобученные модели и тренировать свои. Построим продвинутую модель и усовершенствуем наш алгоритм рекомендаций.
Пройдем весь путь создания ML продукта от базовой идеи до питчинга перед всем миром. Научитесь формулировать бизнес задачи на язык ML, поймете чем прототип отличается от MVP и какая функциональность необходима на каждом этапе.
Рассмотрим основные понятия теории вероятностей и математической статистики. Научимся проводить A/B-тесты и достоверно оценивать влияние ML-моделей на продукт и бизнес. Обсудим подводные камни проведения экспериментов и способы оценки метрик в ситуациях, когда A/B-тест провести невозможно. Реализуем свою систему тестирования и узнаем, удалось ли нам повысить качество рекомендаций в сравнении с базовым решением.
учитесь у <лучших>
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
Читать подробнее →
Работа с командой DWH и обработка больших данных
Модуль:
АЛЕКСЕЙ КОЖАРИН
Backend Яндекс.Диск
НИКИТА ТАБАКАЕВ
Аналитик Raiffeisen CIB
АЛЕКСЕЙ БИРШЕРТ
Аналитик Raiffeisen CIB
ЭМИЛЬ КАЮМОВ
Head of ML Яндекс. Еда
Дмитрий Ботов
Основатель AI Talent Hub, Руководитель магистерской программы "Искусственный интеллект" ИТМО
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
Читать подробнее →
Работа с командой DWH и обработка больших данных
Модуль:
Михаил Покидько
Ex-Chief business product owner Alfa bank, ex-Product manager Bigdata X5. Руководитель магистерской программы по цифровым продуктам в ИТМО
Александр Щусь
Руководитель направления ML, Почта VK
Ирина Елисова
Senior ML Engineer, МТС BigData
Макс Шевченко
Head of experimentation platform, Okko
Андрей Глазко
Senior ML engineer Everypixel
Марк Паненко
Руководитель Отдела Машинного обучения Работа.Ру
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
Читать подробнее →
Работа с командой DWH и обработка больших данных
Модуль:
Даниил Потапов
Руководитель лаборатории ИИ РСХБ-Интех
Павел Кикин
Руководитель центра операционализации машинного обучения и разработки, Газпромнефть
Кристина Желтова
Директор по разработке моделей, Газпромбанк
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
Руководитель направления продвинутой аналитики в Raiffeisen CIB. Преподаватель машинного обучения на Факультете компьютерных наук Высшей школы экономики (ФКН НИУ ВШЭ). Выпускник школы анализа данных от Яндекса.
Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года.
Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года.
АЛЕКСЕЙ КОЖАРИН
Backend Яндекс.Диск
Работал ML-инженером в Райффайзенбанке, занимался процессингом данных, построением моделей и автоматизацией ML-проектов. Сейчас работает backend-разработчиком в Яндекс.Диске.
До Karpov. Courses преподавал в МФТИ курсы по продвинутому программированию на Python и алгоритмам.
До Karpov. Courses преподавал в МФТИ курсы по продвинутому программированию на Python и алгоритмам.
НИКИТА ТАБАКАЕВ
Аналитик Raiffeisen CIB
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
АЛЕКСЕЙ БИРШЕРТ
Аналитик Raiffeisen CIB
Занимается построением моделей динамического ценообразования в корпоративно-инвестиционном подразделении Райффайзенбанка.
Ранее работал в научной лаборатории при ФКН НИУ ВШЭ. Как научный сотрудник занимался исследованиями на тему анализа естественного языка и мультиязычных языковых моделей.
Ранее работал в научной лаборатории при ФКН НИУ ВШЭ. Как научный сотрудник занимался исследованиями на тему анализа естественного языка и мультиязычных языковых моделей.
ЭМИЛЬ КАЮМОВ
Head of ML Яндекс.Еда
Отвечает за рекомендации и прогнозы для задач эффективности Яндекс.Еды. Ранее запускал рекомендации и прогнозы времени доставки в Яндекс. Лавке, занимался задачами продукта Яндекс.Такси.
Преподавал машинное обучение в ВШЭ и организовывал тренировки по машинному обучению.
Преподавал машинное обучение в ВШЭ и организовывал тренировки по машинному обучению.
ваше резюме после курса:
МАРИЯ ОСТРИКОВА
Junior ML-инженер
от 100 000 ₽
Желаемая зарплата
Умею разрабатывать приложения на Python, знаю основы объектно-ориентированного программирования. Владею библиотеками для анализа данных и машинного обучения: pandas, numpy, matplotlib, seaborn, scipy, sklearn.
Greenplum
Airflow
Pandas
Numpy
Apache Hive
Git
Знаю синтаксис SQL, умею составлять запросы к базам данным и работать с SQLAlchemy.
Знакома с основами backend-разработки и фреймворком FastAPI. Использую Git для версионирования приложений и работы над проектами. Применяю Airflow для автоматизации регулярных задач.
МАРИЯ ОСТРИКОВА
Junior ML-инженер
Желаемая зарплата от 100 000
₽
Умею разрабатывать приложения на Python, знаю основы объектно-ориентированного программирования. Владею библиотеками для анализа данных и машинного обучения: pandas, numpy, matplotlib, seaborn, scipy, sklearn
Знаю синтаксис SQL, умею составлять запросы к базам данным и работать с SQLAlchemy
Знакома с основами backend-разработки и фреймворком FastAPI.
Использую Git для версионирования приложений и работы над проектами.
Применяю Airflow для автоматизации регулярных задач
Знаю классические ML-алгоритмы и умею строить ML-модели для решения задач регрессии, классификации и кластеризации
Имею опыт применения продвинутых ML-моделей на основе градиентного бустинга: CatBoost, LightGBM, XGBoost
Знакома с нейронными сетями и библиотекой PyTorch*. Умею ре
Знаю синтаксис SQL, умею составлять запросы к базам данным и работать с SQLAlchemy
Знакома с основами backend-разработки и фреймворком FastAPI.
Использую Git для версионирования приложений и работы над проектами.
Применяю Airflow для автоматизации регулярных задач
Знаю классические ML-алгоритмы и умею строить ML-модели для решения задач регрессии, классификации и кластеризации
Имею опыт применения продвинутых ML-моделей на основе градиентного бустинга: CatBoost, LightGBM, XGBoost
Знакома с нейронными сетями и библиотекой PyTorch*. Умею ре