ХАРДКОРНЫЙ MACHINE LEARNING. ОБУЧЕНИЕ У НАС |
Не просто обучаем модели, а решаем сложные и важные для бизнеса ML-задачи.
СТАРТ ПРОГРАММЫ
20 ЯНВАРЯ 2022
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
КОМУ ПОДОЙДЁТ
MIDDLE/SENIOR
ПОЭТАПНАЯ ОПЛАТА
НА 5 МЕСЯЦЕВ
ВАЛЕРИЙ БАБУШКИН
ПОДАРИТЬ ОБУЧЕНИЕ
Мы свяжемся с вами и подготовим сертификат
Удобный способ связи
Сумма сертификата
1000
150000
НАУЧИТЕСЬ СТРОИТЬ ML-СЕРВИСЫ ДЛЯ РЕШЕНИЯ РЕАЛЬНЫХ ЗАДАЧ

Blockchain.com, куратор курса
ВАЛЕРИЙ БАБУШКИН
На учёбу наши студенты тратят в среднем 10 часов в неделю
ДОМАШНИЕ ЗАДАНИЯ ВЫ РЕШАЕТЕ НА НАШЕЙ ИНФРАСТРУКТУРЕ
Все лекции доступны в записи
ОБУЧЕНИЕ ПРОХОДИТ В ИНТЕНСИВНОМ ФОРМАТЕ ПО 3 ЗАНЯТИЯ В НЕДЕЛЮ
Hard ML — это не стандартный курс по машинному обучению. Моя команда не стала ограничиваться одним лишь обучением моделей и решила охватить абсолютно все этапы работы ML-инженера. Вы научитесь самостоятельно собирать и размечать данные, строить пайплайны их поставки, 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 ML-сервис, решающий сложную и важную задачу. Этот курс станет проверкой на прочность для любого ML-специалиста, поэтому дерзайте — я верю в вас!
Управляете командой ML-разработки и хотите познакомиться с передовым опытом построения сервисов для решения сложных бизнес-задач.

ТИМЛИД
Имеете опыт работы в областях, связанных с машинным обучением, и хотите научиться решать специфические и нестандартные задачи.

ML-РАЗРАБОТЧИК
ДЛЯ КОГО ЭТА ПРОГРАММА:
КАК ПРОХОДИТ ОБУЧЕНИЕ
О курсе
Реальные задачи
Инфраструктура
Поддержка студентов
ПОДРОБНЕЕ О КАЖДОМ МОДУЛЕ
Преподаватели расскажут о курсе и его содержании. Вы узнаете, в чём ценность каждого модуля, какие задачи предстоит решать и сколько времени понадобится на освоение программы.
РЕШАЙТЕ РЕАЛЬНЫЕ ЗАДАЧИ
— Решайте сложные и нестандартные ML-задачи
— Изучайте модели и настраивайте всё необходимое для их работы
— Создавайте свои ML-сервисы и учитесь выводить их в продакшн
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте на выделенном сервере
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
ЗАДАВАЙТЕ ЛЮБЫЕ ВОПРОСЫ В ПОДДЕРЖКУ
— Обсуждайте задачи и проекты с преподавателями и менторами
— Вашими наставниками будут ML-инженеры из ведущих компаний России
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте на выделенном сервере
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
90
ЗАДАВАЙТЕ ЛЮБЫЕ ВОПРОСЫ В ПОДДЕРЖКУ
— Обсуждайте задачи и проекты с преподавателями и менторами
— Вашими наставниками будут ML-инженеры из ведущих компаний России
108
РЕКОМЕНДУЕМЫЙ УРОВЕНЬ:
Базовые знания Bash, Docker, Git

Минимальный опыт работы с веб-фреймворками (например, Flask)

ИНФРАСТРУКТУРА
Знание основ теории вероятностей и математической статистики

Понимание принципа работы A/B-тестов и метода Bootstrap

Знание классических ML-алгоритмов
ТЕОРИЯ
Знание синтаксиса языка

Понимание базовых структур данных (список, словарь, кортеж)

Знание основ ООП (класс, объект)

Владение библиотеками Pandas, Scikit-learn, опционально — PyTorch

Умение отлаживать код и писать тесты
PYTHON
ТЕХНОЛОГИИ, ИСПОЛЬЗУЕМЫЕ НА КУРСЕ:
ПРОГРАММА КУРСА ://
|
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.
Для успешного завершения модуля необходимо набрать не менее 70% от максимального количества баллов.
Для успешного завершения модуля необходимо набрать не менее 70% от максимального количества баллов.
Открыть программу
1. Вводная лекция: ранжирование, матчинг, архитектурные особенности
Обсудим постановку задачи ранжирования с точки зрения машинного обучения. Разберёмся в тонкостях матчинга и верхнеуровнево познакомимся с архитектурой решения.
2. Метрики в задаче ранжирования. Особенности матчинга как подзадачи ранжирования
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.
3. Функции потерь и базовые подходы к обучению моделей ранжирования
Продолжим углубляться в тему ранжирования и рассмотрим методы обучения моделей. Узнаем, какие существуют функции потерь и в каких случаях они используются.
4. Особенности работы с деревянными моделями. YetiRank
Перейдём к следующему этапу развития ранжирующих систем и познакомимся с популярными алгоритмами и их внутренним устройством.
5. Передовые подходы к ранжированию: обзор ушедшего десятилетия
Разберёмся, какие за последнее время были придуманы способы и приемы, повышающие качество и стабильность моделей. Проследим развитие идей и концепций.
6. Приближённый поиск ближайших соседей
С увеличением объёма данных возрастает сложность ранжирования и поиска объектов. Рассмотрим алгоритмы, позволяющие быстро и эффективно искать схожие объекты в огромной базе.
7. Модели для работы с текстом, введение в эмбеддинги. FastText, DSSM
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.
8. Сложные языковые модели для высокоточной работы: BERT и трансформеры
Продолжим знакомство с текстовыми моделями. Разберём передовые архитектуры и посмотрим, в какой задаче матчинга трансформер может «выстрелить».
9. Парсинг данных из Интернета, сбор датасетов
Научимся выживать в ситуациях, когда данных нет, но они очень нужны. Разберём основы парсинга web-страниц и сбора сырых данных.
10. Толока как инструмент для оценки моделей и обновления датасетов
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.
|
Эффективность деятельности многих компаний зависит от способности устанавливать оптимальные цены на продукцию с учётом различных факторов и изменений, происходящих на рынке. Научимся предсказывать ценовые диапазоны, рассмотрим актуальные для ценообразования метрики, познакомимся с «многорукими бандитами» и обучим одного из них выбирать стратегию расчёта цен для оптимизации выручки и маржинальности продаж.
Для успешного завершения модуля необходимо набрать не менее 50% от максимального количества баллов и получить не менее 10 баллов за финальный проект.
Для успешного завершения модуля необходимо набрать не менее 50% от максимального количества баллов и получить не менее 10 баллов за финальный проект.
Открыть программу
1. Постановка задачи ценообразования
Начнём с основ экономической теории: узнаем, из чего складывается цена, каковы её основные компоненты и от каких факторов она зависит. Также познакомимся с понятием волатильности.
2. Построение модели предсказания цены в зависимости от факторов
Закрепим теорию практикой: научимся грамотно просматривать и анализировать данные рынка и с их помощью выявим реальные факторы, влияющие на цену продукта. Порешаем задачи предсказания цен на уже существующих данных.
3. Постановка задачи динамического ценообразования
Более детально рассмотрим, чем постановка задачи динамического ценообразования отличается от предыдущей задачи и какие факторы в данном случае могут влиять на цену. Обсудим зависимость динамического ценообразования от групп покупателей, времени, рыночных условий, спроса и задач проникновения.
4. Первое знакомство с динамическим ценообразованием

Проанализируем практическую применимость концепции «‎цена как функция, зависящая от факторов», и построим первые простейшие модели динамического ценообразования.
5. Предсказание диапазонов цен
Поговорим о том, как работают алгоритмы предсказания диапазонов цен. Познакомимся с понятием квантильной регрессии и затронем проблему выбора лучшей цены.
6. Скрещивание динамического и классического ценообразования
Поговорим о кластеризации временных рядов и прогнозировании диапазонов цен. Посмотрим, какие бывают инструменты для прогнозирования временных рядов и применим их на практике. Обсудим некоторые специфические функции потерь, такие как quantile loss и RMSLE, и рассмотрим метрики для прогнозирования диапазонов цен.
7. Метрики и тесты для определения лучшей цены
Поговорим о том, на какие метрики следует смотреть для определения лучшей цены. Узнаем, как применить A/B-тестирование для решения этой задачи.
8. Многорукие бандиты и обучение с подкреплением
Узнаем, как использовать обратный сигнал для корректировки и задания диапазонов цен. Познакомимся с многорукими бандитами и теорией, которая лежит в их основе. Рассмотрим, как они позволяют ускорить A/B-тесты в проде.
9. Практическое применение многоруких бандитов

Рассмотрим реализацию многоруких бандитов и получение обратной связи для корректировки цены в коде.
Финальный проект модуля
На основе пройденного материала создадим собственный сервис по предсказанию цен для 1000 товаров. Построим для него несколько моделей и постараемся решить задачу максимальных продаж без провисания маржи.
|

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, разберём интересные кейсы из практики, спроектируем библиотеку факторов и построим свой алгоритм для поиска оптимальной аудитории.

Для успешного завершения модуля необходимо набрать не менее 70% от максимального количества баллов.
Для успешного завершения модуля необходимо набрать не менее 70% от максимального количества баллов.
Открыть программу
1. Введение в uplift-моделирование
Обоснуем необходимость использования uplift и научимся правильно ставить задачу для эффективного моделирования. Рассмотрим популярные решения и метрики качества uplift-моделей.
2. Разбор методов построения 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.
3. Uplift сложных метрик. Expected value framework
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.
4. Как спроектировать свою библиотеку факторов
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 и как понять, какой набор является оптимальным для решения задачи. Убедимся, что оформление кода для расчёта предикторов в библиотеку — это самый быстрый путь вывода модели в продакшн.
5. Workshop: пишем приложение с применением модели
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.
|
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 использовать ML-алгоритмы для повышения эффективности A/B-тестов, рассмотрим полный пайплайн тестирования и реализуем свой сервис для оценки экспериментов.
Для успешного завершения модуля необходимо набрать не менее 80% от максимального количества баллов и получить не менее 5 баллов за финальный проект.
Для успешного завершения модуля необходимо набрать не менее 80% от максимального количества баллов и получить не менее 5 баллов за финальный проект.
Открыть программу
1. Введение: основы статистики
Вспомним основы теории вероятностей и математической статистики, которые понадобятся в курсе. Научимся строить точечные оценки и доверительные интервалы.
2. Основы статистики и статистические критерии
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.
3. Метрики в А/B-тестировании
Рассмотрим различные метрики А/B-тестирования и их классификацию. Выделим среди них те, которые используются чаще всего. Разберём наиболее удачные комбинации метрик.
4. MDE, sample size
Научимся рассчитывать минимальный детектируемый эффект и подбирать необходимый размер групп для проведения эксперимента. Познакомимся с идеями повышения чувствительности тестов.
5. Стратификация
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.
6. CUPED. Гильбертово пространство случайных величин
Проанализируем общие черты гильбертова пространства и CUPED. Научимся снижать дисперсию данных и повышать чувствительность теста за счёт использования исторических данных.
7. Линеаризация. Многопараметрический дельта-метод
Познакомимся с особенностями тестирования ratio-метрик. Рассмотрим общие черты многопараметрического дельта-метода и линеаризации. Поговорим о том, как они связаны между собой.
8. Множественное тестирование, 2 + 2= -2
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.
9. Peeking problem, последовательное тестирование
Поговорим о том, что происходит с корректностью теста, если оценивать эксперименты до их окончания. Научимся динамически определять момент завершения пилота.
10. Auto-ML, полный пайплайн
Узнаем, как выглядит полный пайплайн A/B-тестирования, и рассмотрим применение ML-алгоритмов для повышения чувствительности тестов.
Финальный проект модуля
Применим все полученные знания на практике и реализуем собственный веб-сервис для оценки большого числа экспериментов.
|
ML-инженеру важно уметь интегрировать свои решения в существующую инфраструктуру с учётом высоких требований к производительности и отказоустойчивости приложений. Рассмотрим различные сценарии развёртывания сервисов, обсудим принципы их проектирования и поддержания с точки зрения современного бэкенда и научимся грамотно выводить приложения в продакшн.
Для успешного завершения модуля необходимо набрать не менее 70% от максимального количества баллов.
Для успешного завершения модуля необходимо набрать не менее 70% от максимального количества баллов.
Открыть программу
1. Инфраструктура и процессы в современных бэкендах
Начнём со знакомства с инфраструктурой и микросервисной архитектурой. Поговорим о процессах в современных бэкендах.
2. Application Service & Service Discovery

Поговорим о проектировании приложения для сёрвинга и познакомимся с паттерном Service Discovery.
3. Процессы. Демонизация. Веб-серверы
Рассмотрим, как работают процессы в системе, и разберёмся, в каком виде будут деплоиться наши приложения. Поговорим о функциях веб-серверов.
4. Docker Runtime + Docker Compose

Познакомимся поближе с Docker и Docker Compose и поговорим о некоторых паттернах их применения.
5. Docker Swarm + Container Lifecycle
Организуем оркестрацию нашего приложения в Swarm-кластере, проследим жизненный цикл контейнера и сформируем представление о том, из чего складывается оркестрация.
6. GitLab CI/CD
Используем GitLab CI/CD для выстраивания полноценного процесса сборки и доставки.
7. Сценарии развёртывания. Часть 1

Рассмотрим сценарии развёртывания приложения без использования докера и окрестраторов, в которых балансировка есть из коробки. Обсудим разные варианты доставки, хранения и деплоя кода, демонизируем наши приложения через systemd и настроим nginx балансировать трафик по нашим приложениям.

8. Сценарии развёртывания. Часть 2

Продолжим обсуждение «бездокеровских» сценариев. Рассмотрим полезные функции bash для написания своих сценариев деплоя. Познакомимся с системами автоматической конфигурации ansible и salt, выполнив по одному типу развёртки с помощью каждой.

9. MLflow и MLflow Model Registry
Поднимем MLflow и MLflow Model Registry, интегрируем их в наш сёрвинг и рассмотрим удобные способы регистрации моделей, выходящие за рамки стандартных «коробок».
Финальный проект модуля
Построим и развернём на сервере прототип QA-системы, реализуем механизм её бесшовного обновления.
ЕСЛИ ЭТОТ КУРС КАЖЕТСЯ ВАМ СЛОЖНЫМ
У НАС ПРЕПОДАЮТ:
УЧИТЕСЬ У >ЛУЧШИХ>
ВАЛЕРИЙ БАБУШКИН
Head of Data Science в Blockchain.com. Ранее работал в Facebook, 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 Kaggle Competitions Grandmaster.
Blockchain.com
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».
Яндекс.Маркет
Модули >>>
СТАНИСЛАВ ГАФАРОВ
Тимлид команды Data Science в Сбер Еаптеке. Ранее более двух лет работал на аналогичных должностях в X5 Retail Group и Uma.Tech. До этого был Data Scientist в Сбербанке.
Сбер Еаптека
Модули >>>
Показать ещё
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.
AliExpress Russia
Модули >>>
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.
X5 Retail Group
Модули >>>
ВЛАДИСЛАВ ЛАДЕНКОВ
Занимается инфраструктурой в команде речевых технологий Х5 Retail Group. Тимлид разработки в небольшом стартапе. Преподаёт в «Цифровой академии Х5».
Х5 Retail Group
Модули >>>
ОТЗЫВЫ СТУДЕНТОВ /
О БЛОКЕ ДИНАМИЧЕСКОЕ ЦЕНООБРАЗОВАНИЕ

Проект интересный, с первого раза выполнить не просто. Материалы полезные, направленные на бизнес. преподаватель и менторы всегда готовы ответить на вопросы. блок отличный, но есть куда развиваться
Студент первого потока
О БЛОКЕ РАНЖИРОВАНИЕ И МАТЧИНГ

Очень интересная тема, прекрасная подача. Игорь был очень активен на всем протяжении курса, отвечал на все вопросы, помогал с домашками Большое спасибо преподавателям, в частности Игорю за увлекательную подачу материала, интересные задания и проявленную активность!
Студент первого потока
О БЛОКЕ ДИНАМИЧЕСКОЕ ЦЕНООБРАЗОВАНИЕ

Проект интересный, с первого раза выполнить не просто. Материалы полезные, направленные на бизнес. преподаватель и менторы всегда готовы ответить на вопросы. блок отличный, но есть куда развиваться
Студент первого потока
ДЕМОВЕРСИЯ
Выполните первые задания модуля «Ранжирование и матчинг», попробуйте реализовать свою модель и решите, подходит ли вам формат обучения.
ПОЛНАЯ ВЕРСИЯ
+ Ранжирование и матчинг
+ Динамическое ценообразование
+ Uplift-моделирование
+ Продвинутое A/B-тестирование
+ Сценарии деплоя ML-сервисов
Погрузитесь в мир продвинутого ML, получите доступ к работе на удалённом сервере и поддержке от наших преподавателей.
+ Три урока первого модуля
+ Конспекты лекций
+ Практические задания с разбором
36 000 ₽
150 000 ₽
0 ₽
Регистрация на курсе открывается сразу после нажатия на кнопку ниже.
ПОМЕСЯЧНО:
ПОЛНАЯ ОПЛАТА:
Оплата в течение
5 месяцев
Скидка 30 000 ₽
при полной оплате
180 000 ₽
Доступ к демоверсии откроется после регистрации на образовательной платформе.
УЗНАТЬ БОЛЬШЕ
Мы свяжемся с вами и ответим на все ваши вопросы по курсу. Если вы хотите оплатить курс, перейдите по этой ссылке.

НАЧАЛО КУРСА 20 ЯНВАРЯ
Удобный способ связи
ПРОГРАММА ТРУДОУСТРОЙСТВА>>>
ТРУДОУСТРОЙСТВО
Вместе достигнем желаемой цели
ПОДГОТОВКА
Поможем составить сильное резюме

РЕКОМЕНДАЦИИ
Расскажем о вас компаниям-партнёрам
СОБЕСЕДОВАНИЕ
Организуем интервью с работодателем
73%
Трудоустроенных выпускников
Процент посчитан по числу устроенных на работу студентов, обратившихся за помощью в поиске работы
Будем поддерживать вас в течение всего процесса трудоустройства.
Наша цель — довести вас до оффера.
Процент посчитан по числу устроенных на работу студентов, обратившихся за помощью в поиске работы
ПОДРОБНЕЕ
САМОПРЕЗЕНТАЦИЯ
Чтобы получить сильное резюме и навыки самопрезентации вы пройдете:
- Лекции и вебинары по составлению резюме от HR-эксперта Яндекс
- Тест-драйв собеседования
- Консультацию, на которой определите стратегию поиска работы и пропишете карьерные цели
79
ОТСЛЕЖИВАНИЕ ПРОГРЕССА
Свой прогресс в трудоустройстве вы будете отслеживать с помощью специальных дневников. Работать над ошибками мы будем вместе с вами: мы подскажем, что нужно подтянуть и в каком направлении лучше мыслить, чтобы эффективнее справляться с задачами на собеседованиях.
90
РАБОТА МЕЧТЫ
Наша цель — довести вас до оффера. Среднее время трудоустройства с сопровождением составляет 1-1,5 месяца.
108
САМОПРЕЗЕНТАЦИЯ
Чтобы получить сильное резюме и навыки самопрезентации вы пройдете:
- Лекции и вебинары по составлению резюме от HR-эксперта Яндекс
- Тест-драйв собеседования
- Консультацию, на которой определите стратегию поиска работы и пропишете карьерные цели
ВЫБОР ВАКАНСИЙ
После подготовки всех необходимых материалов вы получите доступ к Telegram-каналам, где ежедневно обновляются вакансии от наших партнёров. На заинтересовавшие вас вакансии HR отправят ваше резюме с рекомендациями и организуют собеседование.
ОТСЛЕЖИВАНИЕ ПРОГРЕССА
Свой прогресс в трудоустройстве вы будете отслеживать с помощью специальных дневников. Работать над ошибками мы будем вместе с вами: мы подскажем, что нужно подтянуть и в каком направлении лучше мыслить, чтобы эффективнее справляться с задачами на собеседованиях.
РАБОТА МЕЧТЫ
Наша цель — довести вас до оффера. Среднее время трудоустройства с сопровождением составляет 1-1,5 месяца.
НАШИ ВЫПУСКНИКИ РАБОТАЮТ ЗДЕСЬ >>>
FAQ
Какой уровень требуется для прохождения курса?
Этот курс будет полезен как тем, кто уже обладает знаниями в машинном обучении и хочет узнать, как решать специфичные проблемы, так и тем, кто хочет с нуля научиться выстраивать сервисы с использованием ML.
Как оформить поэтапную оплату?
Поэтапная оплата происходит равными платежами раз в месяц. Для оплаты поэтапно просто перейдите по ссылке на странице оплаты.
Как проходит обучение?
Теорию вы будете осваивать в формате видеолекций и конспектов-шпаргалок к ним, а оттачивать практику на удаленном сервере. Если у вас появляются вопросы, вам ответят на них менторы или преподаватели в Slack.

Для удобства студентов и преподавателей мы записали все лекции заранее. Они будут вам доступны в личном кабинете даже после окончания обучения.
Какой язык программирования мы будем использовать?
Мы будем использовать Python, потому что он является удобным и популярным языком, что делает его стандартом мира Data Science.
Какие технологии будут использоваться на курсе?
На курсе будут использоваться все самые популярные технологии, которые являются стандартом качества для ML-инженеров в компаниях по всему миру.
Могу ли я получить помощь в перерывах между занятиями?
Конечно. Все студенты курса общаются с преподавателями и между собой в Slack. В чате можно задать любые вопросы по обучению,  наши преподаватели обязательно ответят вам.
Зачем платить деньги, если я могу пройти ваши бесплатные курсы?
Справедливое замечание. В открытых источниках есть много бесплатной информации, например, курсы на Stepik.

Однако не всем подходит формат самостоятельного обучения. Обучаясь в компании  опытных наставников и других студентов, вы получите ощутимые результаты значительно быстрее.
Я начал курс, но мне не понравилось. Вы вернёте деньги?
Да. В течение двух недель после начала курса вы можете вернуть оплату за весь курс. Также в течение месяца мы готовы вернуть вам сумму за вычетом уже пройденного материала.
Получу ли я сертификат?

Конечно! После успешного завершения курса вы получите электронный сертификат, подтверждающий его прохождение.


Для этого необходимо выполнить два условия:

1. Сделать не менее половины домашних заданий курса.

2. Выполнить финальный проект и получить на него рецензию.


Однако важно помнить, что как при приёме на работу, так и непосредственно в работе главное — это полученные Hard и Soft Skills.

Есть ли у вас образовательная лицензия?
Нет. Мы оказываем информационно-консультационные услуги.
У меня есть свои задачи по работе с данными, которые я хочу научиться решать. Поможет ли мне ваш курс?
Уверены, что поможет. Вы всегда можете посоветоваться в чате с кураторами или другими студентами.
Мы свяжемся с вами, ответим на все ваши вопросы и подробнее расскажем о курсе.
ОСТАВЬТЕ ЗАЯВКУ ИЛИ ЗАДАЙТЕ ВОПРОС
СТАРТ КАЖДЫЙ МЕСЯЦ 20 ЧИСЛА
НАЧАЛО КУРСА
20 ЯНВАРЯ
УЗНАТЬ БОЛЬШЕ
Мы свяжемся с вами и ответим на все ваши вопросы по найму учеников.