чЁрная пятница в karpov.courses
00
00
00
дней
часов
минут
00
секунд
:
:
:
Удачное время чтобы начать учиться!
ХАРДКОРНЫЙ MACHINE LEARNING. ОБУЧЕНИЕ У НАС =|
Не просто обучаем модели, а решаем сложные и важные для бизнеса ML-задачи.
начало обучения сразу после покупки
КОМУ ПОДОЙДЁТ
MIDDLE/SENIOR
MIDDLE/SENIOR
Пакетные предложения
от 1 до 6 блоков
от 1 до 6 блоков
01
дней
02
часов
03
минут
04
секунд
записаться на курс или задать вопрос
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 создавать пайплайн 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
Обновление
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 фидбек от пользователя
Подведем итоги обучения
- 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 фидбек от пользователя
Подведем итоги обучения
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:
Программа блока
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
MLOps
Жизненный цикл разработки модели включает в себя несколько этапов: постановка задачи, разработка модели и операции с ней. Работа ML Ops-инженера сосредоточена вокруг второго и третьего этапа.
На втором этапе дата сайентисты и ML-инженеры занимаются сбором данных, обучением и тюнингом моделей, генерацией фичей и валидацией. На третьем этапе главные задачи это деплой, 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. Чтобы не терять деньги и пользователей, бизнес использует автоматизацию процессов. Так, ML Ops 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 дата сайентисты и ML-инженеры занимаются сбором данных, обучением и тюнингом моделей, генерацией фичей и валидацией. На третьем этапе главные задачи это деплой, 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. Чтобы не терять деньги и пользователей, бизнес использует автоматизацию процессов. Так, ML Ops 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 ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
«Как mlops встраивается в работу ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
Изучим инструменты для контроля воспроизводимости.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
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 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 BigData системах
Узнаем ключевые понятия, технологии и подходы, связанные с деплоем. Узнаем, как организовывать батч скоринг, взаимодействие с ними через API и стриминг и 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 заворачивать модели в REST API сервисы, познакомимся с основными фреймворками которые в этом помогут. Разберемся, как работает GIL и какие ограничения он накладывает на сервинг моделей. Задеплоим модель самостоятельно (без команды) в более простых вариантах
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 научимся использовать CI/CD в машинном обучении. Научимся управлять шедулингом в CI/CD и увидим, как это делать в кроне, Airflow и Databricks. Узнаем зачем нужен Kubeflow и когда нужно его использовать. Научимся версионировать пайплайны. Узнаем ключевые особенности оркестрации, переобучения и 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 ML 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. Поговорим про принципы Data Flywheel. Анализ ошибок и доработка моделей. Ответим на вопросы: «Как доказать начальнику и команде что MLOps нужен?», «Как менять процессы в команде, чтобы ДС начали пользоваться вашими MLOps тулзами?»
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 ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
«Как mlops встраивается в работу ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
Изучим инструменты для контроля воспроизводимости.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
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 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 BigData системах
Узнаем ключевые понятия, технологии и подходы, связанные с деплоем. Узнаем, как организовывать батч скоринг, взаимодействие с ними через API и стриминг и 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 заворачивать модели в REST API сервисы, познакомимся с основными фреймворками которые в этом помогут. Разберемся, как работает GIL и какие ограничения он накладывает на сервинг моделей. Задеплоим модель самостоятельно (без команды) в более простых вариантах
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 научимся использовать CI/CD в машинном обучении. Научимся управлять шедулингом в CI/CD и увидим, как это делать в кроне, Airflow и Databricks. Узнаем зачем нужен Kubeflow и когда нужно его использовать. Научимся версионировать пайплайны. Узнаем ключевые особенности оркестрации, переобучения и 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 ML 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. Поговорим про принципы Data Flywheel. Анализ ошибок и доработка моделей. Ответим на вопросы: «Как доказать начальнику и команде что MLOps нужен?», «Как менять процессы в команде, чтобы ДС начали пользоваться вашими MLOps тулзами?»
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)
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
NEW
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.
НЕ УВЕРЕНЫ, ХВАТИТ ЛИ ЗНАНИЙ ДЛЯ КУРСА?
Оставьте заявку, мы свяжется с вами и поможем подобрать курс, который будет полностью соответствовать вашим целям
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
— 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
— 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
— 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.
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
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.»
Беспроцентная рассрочка от наших партнёров
СТОИМОСТЬ обучения:
2 блока
Доступ к поддержке
3 месяца
при рассрочке на 18 месяцев
от 5868 ₽/мес *
при рассрочке на 18 месяцев
от 7 668 ₽/мес *
Доступ к поддержке
4,5 месяца
3 блока
1 блок
при рассрочке на 18 месяцев
от 3 468 ₽/мес *
Доступ к поддержке
1,5 месяца
при рассрочке на 18 месяцев
от 8 868 ₽/мес *
Доступ к поддержке
6 месяцев
4 блока
при рассрочке на 18 месяцев
от 9 948 ₽/мес *
Доступ к поддержке
7,5 месяцев
при рассрочке на 18 месяцев
от 11 148 ₽/мес *
Доступ к поддержке
9 месяцев
5 блоков
6 блоков
Самый выгодный
Скидка до 15% при единовременной оплате
8 520 ₽
* С учётом скидки 10%
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
УДОБНЫЙ ЕЖЕМЕСЯЧНЫЙ ПЛАТЕЖ С БЕСПРОЦЕНТНОЙ РАССРОЧКОЙ ИЛИ ОПЛАТА ЧАСТЯМИ ОТ НАШИХ ПАРТНЁРОВ
за счёт компании
Этот курс может оплатить ваш работодатель. Оставьте заявку, и мы поможем оформить сделку.
Международная оплата
Если вы хотите оплатить обучение из-за рубежа, оставьте заявку — мы с вами свяжемся и подскажем, как это сделать.
ещё варианты оплаты:
Поэтапная оплата
Если вы хотите разделить платёж на части, оставьте заявку, мы с вами свяжемся.
налоговый вычет
Начните учиться сейчас, оформите налоговый вычет и верните до 13% стоимости обучения.
гарантия возврата
Если в течение двух недель решите, что курс вам не подходит — вернём деньги.
Оставить заявку на поэтапную оплату
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
ОСТАВИТЬ ЗАЯВКУ
FAQ >>
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 — 45 000 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. Также каждый месяц мы проводим Q&A-сессии с Валерием Бабушкиным для наших студентов.
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 стандартные приложения для общения: Discord и Zoom.
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.
Остались вопросы?
Отправьте заявку, и мы проконсультируем вас.
