ХАРДКОРНЫЙ MACHINE LEARNING. ОБУЧЕНИЕ У НАС =|
Не просто обучаем модели, а решаем сложные и важные для бизнеса ML-задачи.
СТАРТ ПОТОКА
2 ОКТЯБРЯ
2 ОКТЯБРЯ
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
ОНЛАЙН
КОМУ ПОДОЙДЁТ
MIDDLE/SENIOR
MIDDLE/SENIOR
Пакетные предложения
от 1 до 6 блоков
от 1 до 6 блоков
УЗНАТЬ ДАТУ СЛЕДУЮЩЕГО СТАРТА
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
НАЛОГОВЫЙ ВЫЧЕТ
Вы можете сделать налоговый вычет в размере 13% от стоимости обучения.
С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
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 ML под руководством ведущих специалистов
Получить повышение на текущей работе
НАУЧИТЕСЬ СТРОИТЬ ML-СЕРВИСЫ ДЛЯ РЕШЕНИЯ РЕАЛЬНЫХ ЗАДАЧ
Hard ML — это нестандартный 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!
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!
//
Senior Principal в BP, хэдлайнер курса
ВАЛЕРИЙ БАБУШКИН
//
// Цель нашего курса — помочь опытным аналитикам расширить свои компетенции и задать правильное направление для дальнейшего развития в профессии. Полученный практический опыт позволит углубить знания в области продуктовой аналитики и научиться подбирать правильные инструменты для решения задач в самых неопределённых условиях и незнакомых отраслях. //
ВЫБИРАЙТЕ ТО, ЧТО ИНТЕРЕСНО >
РАНЖИРОВАНИЕ И МАТЧИНГ
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. Разберём основы парсинга web-страниц и сбора сырых данных.
Познакомимся с инструментом ручной разметки данных от компании Яндекс и узнаем, какую пользу он может принести в работе.
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. Разберём основы парсинга web-страниц 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 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.
Преподаватель
Станислав Гафаров
6 недель
Продолжительность модуля
внутри:
9 уроков и финальный проект
Программа модуля
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.
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.
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.
Проанализируем практическую применимость концепции «цена как функция, зависящая от факторов», и построим первые простейшие модели динамического ценообразования.
Поговорим о том, как работают алгоритмы предсказания диапазонов цен. Познакомимся с понятием квантильной регрессии и затронем проблему выбора лучшей цены.
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.
Поговорим о том, на какие метрики следует смотреть для определения лучшей цены. Узнаем, как применить A/B-тестирование для решения этой задачи.
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.
Рассмотрим реализацию многоруких бандитов и получение обратной связи для корректировки цены в коде.
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.
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.
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.
Проанализируем практическую применимость концепции «цена как функция, зависящая от факторов», и построим первые простейшие модели динамического ценообразования.
Поговорим о том, как работают алгоритмы предсказания диапазонов цен. Познакомимся с понятием квантильной регрессии и затронем проблему выбора лучшей цены.
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.
Поговорим о том, на какие метрики следует смотреть для определения лучшей цены. Узнаем, как применить A/B-тестирование для решения этой задачи.
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.
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.
инструменты:
UPLIFT-МОДЕЛИРОВАНИЕ
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.
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 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.
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.
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 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.
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 полный пайплайн тестирования 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 полный пайплайн A/B-тестирования, и рассмотрим применение ML-алгоритмов для повышения чувствительности тестов.
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 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.
инструменты:
СЦЕНАРИИ ДЕПЛОЯ ML-СЕРВИСОВ
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.
Преподаватель
Владислав Ладенков
6 недель
Продолжительность модуля
внутри:
5 уроков и финальный проект
Программа блока
Начнём со знакомства с инфраструктурой и микросервисной архитектурой. Поговорим о процессах в современных бэкендах.
Поговорим о проектировании приложения для сёрвинга и познакомимся с паттерном Service Discovery.
Рассмотрим, как работают процессы в системе, и разберёмся, в каком виде будут деплоиться наши приложения. Поговорим о функциях веб-серверов.
Познакомимся поближе с Docker и Docker Compose и поговорим о некоторых паттернах их применения.
Организуем оркестрацию нашего приложения в Swarm-кластере, проследим жизненный цикл контейнера и сформируем представление о том, из чего складывается оркестрация.
Используем GitLab CI/CD для выстраивания полноценного процесса сборки и доставки.
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.
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.
Поднимем MLflow и MLflow Model Registry, интегрируем их в наш сёрвинг и рассмотрим удобные способы регистрации моделей, выходящие за рамки стандартных «коробок».
Начнём со знакомства с инфраструктурой и микросервисной архитектурой. Поговорим о процессах в современных бэкендах.
Поговорим о проектировании приложения для сёрвинга и познакомимся с паттерном Service Discovery.
Рассмотрим, как работают процессы в системе, и разберёмся, в каком виде будут деплоиться наши приложения. Поговорим о функциях веб-серверов.
Познакомимся поближе с Docker и Docker Compose и поговорим о некоторых паттернах их применения.
Организуем оркестрацию нашего приложения в Swarm-кластере, проследим жизненный цикл контейнера и сформируем представление о том, из чего складывается оркестрация.
Используем GitLab CI/CD для выстраивания полноценного процесса сборки и доставки.
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.
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.
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.
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
Новый блок
Если вы проходили обучение на курсе HardML, 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. 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 и оценим качество на офлайн метриках
Разберём задачу факторизации матрицы рейтингов от svd разложения до более эффективной als архитектуры и функции ошибок bpr. Узнаем, что такое факторизационные машины и как их применять
Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применить W2V подход 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, их плюсы 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
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. 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 и оценим качество на офлайн метриках
Разберём задачу факторизации матрицы рейтингов от svd разложения до более эффективной als архитектуры и функции ошибок bpr. Узнаем, что такое факторизационные машины и как их применять
Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применить W2V подход 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, разберём GCN-подобные архитектуры, их плюсы 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
РЕКОМЕНДУЕМЫЙ УРОВЕНЬ:
Отличается для каждого блока
PYTHON
— 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
ТЕОРИЯ
— Знание основ теории вероятностей и математической статистики
ИНФРАСТРУКТУРА
— 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)
НЕ УВЕРЕНЫ, ХВАТИТ ЛИ ЗНАНИЙ ДЛЯ КУРСА ИЛИ БЛОКА?
Познакомьтесь с форматом обучения и оцените свой уровень знаний для прохождения каждого блока — это бесплатно и ни на что не влияет, но может помочь вам принять решение.
Доступ к демоверсии откроется после регистрации на образовательной платформе.
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.
ВАМ ТАКЖЕ МОЖЕТ ПОДОЙТИ:
Подойдет тем, кто владеет базой в ML и хочет получить опыт решения реальных задач
Подойдет всем, кто хочет освоить машинное обучение с нуля и поменять карьерный трек
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
— Приходите на ежемесячные Q&A-сессии с Валерием Бабушкиным
— Сразу получайте подробную ОС от нашей проверяющей системы
— Обсуждайте задачи с экспертами в любой день недели
— Приходите на ежемесячные Q&A-сессии с Валерием Бабушкиным
ПОЛУЧАЙТЕ ПОДТВЕРЖДЕНИЕ О ПРОХОЖДЕНИИ программы
— Создавайте свои ML-сервисы по каждому блоку в качестве финальных проектов
— Получайте сертификаты на русском и английском языках
— Выводите карьеру на новый уровень с помощью программы трудоустройства
— Получайте сертификаты на русском и английском языках
— Выводите карьеру на новый уровень с помощью программы трудоустройства
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
— Приходите на ежемесячные Q&A-сессии с Валерием Бабушкиным
— Сразу получайте подробную ОС от нашей проверяющей системы
— Обсуждайте задачи с экспертами в любой день недели
— Приходите на ежемесячные Q&A-сессии с Валерием Бабушкиным
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.
СТАНИСЛАВ ГАФАРОВ
Lead Data Scientist. Ранее работал тимлидом в Сбер Еаптеке, X5 Retail Group и Uma.Tech. До этого был Data Scientist в Сбербанке.
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.