ХАРДКОРНЫЙ MACHINE LEARNING. ОБУЧЕНИЕ У НАС |
Не просто обучаем модельки, а решаем сложные и нужные для бизнеса ML-задачи.
СТАРТ ПРОГРАММЫ
1 ОКТЯБРЯ 2021
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
КОМУ ПОДОЙДЁТ
MIDDLE/SENIOR
ПОЭТАПНАЯ ОПЛАТА
НА 5 МЕСЯЦЕВ
ВАЛЕРИЙ БАБУШКИН
НА КУРСЕ ПРОЙДЁМ ПОЛНЫЙ ЦИКЛ РАЗРАБОТКИ ML-ПРИЛОЖЕНИЯ
Facebook, 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
Когда Анатолий с командой предложили мне создать курс по машинному обучению, я решил, что он должен преследовать две основные цели:

1. Показывать, как решать нестандартные для обучающих курсов по ML задачи, которые тем не менее регулярно встречаются на практике.
2. Давать максимально глубокое погружение, не ограниченное одним лишь созданием моделей, и рассказывать про все этапы работы инженера по машинному обучению: от сбора и разметки данных с построением пайплайнов их поставки до обучения и деплоя моделей с мониторингом и оценкой эффективности алгоритмов.
Вы хотите научиться создавать сервисы, которые будут решать сложные бизнес-задачи с использованием приложений, основанных на ML-алгоритмах.
ТИМЛИД
Вы уже имеете опыт работы в областях, связанных с машинным обучением, и хотите понять, как решать специфические и нестандартные задачи.
ML-РАЗРАБОТЧИК
ДЛЯ КОГО ЭТА ПРОГРАММА:
КАК ПРОХОДИТ ОБУЧЕНИЕ
О курсе
Реальные задачи
Инфраструктура
Поддержка студентов
УЗНАЙТЕ ПОДРОБНЕЕ О КАЖДОМ БЛОКЕ
Каждый преподаватель расскажет о cвоём модуле и его технических аспектах. Вы узнаете, в чём уникальность каждого модуля, сколько вам понадобится времени на его освоение и как всё это применяется в ведущих IT-компаниях.
РЕШАЙТЕ РЕАЛЬНЫЕ ЗАДАЧИ
— Учитесь решать сложные и нестандартные ML-задачи
— Постройте своё приложение с применением всех полученных знаний
— Не просто обучайте модели, а изучайте их и настраивайте всё необходимое для их работы
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
ЧТО НЕОБХОДИМО ДЛЯ КУРСА?
Умение решать задачи регрессии
ДИНАМИЧЕСКОЕ ЦЕНООБРАЗОВАНИЕ
Базовое знание bash, docker,git, web (Flask)
СЦЕНАРИИ ДЕПЛОЯ ML-СЕРВИСОВ
Базовое знание A/B тестов

Знание основ теории вероятностей, математической и прикладной статистики (проверка гипотез, точечное оценивание, построение доверительных интервалов, bootstrap)
A/B-ТЕСТИРОВАНИЕ
Базовый синтаскис

Понимание базовых структур данных (список, словарь, кортеж)

Основы объектно-ориентированного программирования (class, object)

Умение отлаживать код, писать тесты

PyTorch (опционально)
PYTHON
ТЕХНОЛОГИИ, ИСПОЛЬЗУЕМЫЕ НА КУРСЕ:
ПРОГРАММА КУРСА ://
|
Матчинг позволяет решать некоторые важные проблемы, с которыми сталкиваются все компании. Научимся выявлять товары-дубли по их названиям. Попрактикуемся сопоставлять покупателей в онлайне, офлайне и в приложении. Узнаем, как мониторить цены в реальном времени.
Матчинг позволяет решать некоторые важные проблемы,
с которыми сталкиваются все компании. Научимся выявлять товары-дубли по их названиям. Попрактикуемся сопоставлять покупателей в онлайне, офлайне и в приложении. Узнаем, как мониторить цены в реальном времени.
Открыть программу
1. Вводная лекция: ранжирование, матчинг, архитектурные особенности
На вводной лекции познакомимся с постановкой задачи ранжирования с точки зрения машинного обучения. Разберёмся в тонкостях матчинга, 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 аспекты их использования в разных ситуациях. Углубимся в задачу матчинга и рассмотрим особенности оценки результатов.
3. Функции потерь и базовые подходы к обучению моделей ранжирования
Продолжим углубляться в тему ранжирования и рассмотрим методы обучения моделей ранжирования. 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 трюки и приемы, повышающие качество и стабильность моделей. Проследим за развитием идей и концепций.
6. Приближённый поиск ближайших соседей
Ранжирование и поиск в данных могут стать проблемой при росте количества данных. 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 последующей утилизации моделями. Разберём принципы работы и обучения моделей FastText. Обсудим, чем они отличаются от Word2Vec. Перейдём к структурированным синтаксическим моделям - DSSM.
8. Сложные языковые модели для высокоточной работы: BERT и трансформеры
Продолжим знакомство с текстовыми моделями. Разберём передовые архитектуры. 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. Разберёмся, какую пользу он может принести в работе.
Финальный проект блока
Используем полученные знания для разработки сервиса на основе моделей ранжирования. В качестве бонуса обсудим задачи, которые можно решить с минимальными изменениями текущего пайплайна.
|
Научимся делать динамическое ценообразование на основе машинного обучения, что позволит вам максимизировать прибыль компании, в которой вы работаете, и поможет найти баланс между трафиком, выручкой и маржой.
Открыть программу
1. Постановка задачи ценообразования
Начнём с основ экономической теории: узнаем, из чего складывается цена, каковы её основные компоненты, от каких факторов она зависит и многое другое. Также на первом занятии 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
Теперь более внимательно рассмотрим, чем постановка задачи динамического ценообразования отличается от предыдущей задачи и какие факторы могут влиять на цену в данном случае. 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», а также 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 построении прогнозов диапазонов цен и корректировке цены в зависимости от факторов. Обсудим различные подходы к построению прогнозов. Узнаем, как работает просмотр временных рядов цен: как цена меняется во времени, как изменяется диапазон цен и как происходит корректировка цен на основе этих данных.
7. Метрики и тесты для определения лучшей цены
Подробно разберём, на какие метрики нужно 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 понятием многоруких бандитов и теорией, которая лежит в их основе. Рассмотрим, как они позволяют ускорить A/B-тесты для прода.
9. Практическое применение многоруких бандитов

Рассмотрим реализацию многоруких бандитов и получение обратной связи для корректировки цены в коде.
Финальный проект блока
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.
|
Научимся делать uplift-моделирование. Рассмотрим всё от постановки задачи до её реализации. Данный тип моделирования позволит учесть изменения в поведении клиентов, которые, например, могли быть вызваны рекламной акцией — реализация модели next best action/offer. На основании данной модели вы сможете планировать и своевременно предлагать определённым клиентам специальные акции и особые цены.
Открыть программу
1. Введение в uplift-моделирование
Обоснуем мотивацию использования uplift и научимся правильно ставить задачу для эффективного моделирования. Рассмотрим популярные решения и метрики качества uplift-моделирования.
2. Разбор методов построения uplift-моделей
Обсудим как можно проводить EDA (exploratory data analysis) при прогнозирования. Разберем много подходов к построению uplift-деревьев: meta-learners, uplift trees.
3. Uplift сложных метрик. Expected value framework
Узнаем, что такое декомпозиция бизнес-эффекта (expected value decomposition) и как с ее помощью продумывать изменение интересующей метрики и схемы прогноза. Рассмотрим сложный кейс из offline ритейла.
4. Как спроектировать свою библиотеку факторов
Для построения любой модели необходимы данные — информация об объектах, с которыми мы работаем. Например, важно понимать, откуда к нам пришёл тот или иной клиент и какие у него предпочтения. На занятии узнаем, как проводить эксперименты с разными наборами предикторов и как понять, какой набор является оптимальным для решения задачи. Лишний раз убедимся в том, что оформление кода расчёта предикторов в библиотеку — это самый быстрый путь вывода модели в продакшн.
5. Workshop: пишем приложение с применением модели
Теперь собственными руками построим приложение с применением uplift. Сначала продумаем последовательность действий (pipeline) для подготовки данных и применения модели и организуем репозитории с исходным кодом. Настроим логирование и уведомления. Также обсудим механику сохранения промежуточных результатов и подъема приложения при его падении.
Финальный проект блока

Напишем своё приложение/веб-сервис для запуска uplift-модели.
|
Научимся использовать ML-алгоритмы для ускорения A/B-тестов. В результате тесты станут намного более чувствительными, а плохо показывающие себя тесты можно будет быстро выявить и отключить.
Открыть программу
1. Введение: основы статистики
Вспомним основные моменты из 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 АБ-тестирование и чем оно отличается от других способов принятия решений. Узнаем какие статистические критерии применяются в АБ-тестировании и как можно построить доверительный интервал с помощью бутстрепа.
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 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 гильбертового 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. Узнаем, какие есть общие черты у 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, а также научимся справляться с этой проблемой: узнаем, как организовать проведение большого количества экспериментов параллельно 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
На заключительном занятии модуля узнаем, как выглядит полный пайплайн, и рассмотрим применение ML-алгоритмов для повышения чувствительности тестов.
|
ML-модели со временем умирают. Чтобы этого не происходило, их необходимо периодически дообучать. Научимся делать это правильно.
Открыть программу
1. Вводная лекция
В этой лекции мы пройдемся по некоторым паттернам микросервисной архитектуры, процессам разработки и развертки.
2. ML serving сервис
На занятии мы поговорим, как конструировать эндпоинты по принципу REST, изучим архитектуру приложения и ее layout, поговорим про работу с коннектами и другими разделяемыми объектами, обсудим балансировку на клиенте и миграции.

3. Процессы. Веб-серверы
В этой лекции сфокусируемся на процессах-демонах, так как развертка приложений происходит в виде процессов-демонов. Поразмышляем, какие модели веб-сервисов пригодны для ML и поймем, зачем приложению нужны веб-сервера.
4. Docker
Погрузимся в функции и особенности докера, докер-компоуза и докер-сворма.

5. Gitlab CI/CD
Научимся настраивать CI/CD для сборки, тестирования и выкатки.
6. Сценарии развертки
Обсудим и продемонстрируем разные сценарии развертки.
У НАС ПРЕПОДАЮТ:
УЧИТЕСЬ У >ЛУЧШИХ>
ВАЛЕРИЙ БАБУШКИН
Kaggle Competitions Grandmaster, 23-е место из более чем 120 тысяч специалистов. До перехода в Facebook был директором отдела Data Science and Engineering в X5 Retail Group. Преподаватель курса Data Science в Высшей Школе Экономики. Консультирует центральный банк Казахстана по вопросам анализа данных.
Facebook, ex. Яндекс, X5 Retail Group, Alibaba
ВАГЕ БРСОЯН
Руководитель группы моделирования и прогнозирования бизнеса в Яндекс.Маркет. Более двух лет работал тимлидом в X5 Retail Group. Два года опыта работы ML-инженером в Яндексе. Ментор программы «Школа будущих CTO».
Яндекс Маркет, ex. Х5 Retail Group
Модули >>>
СТАНИСЛАВ ГАФАРОВ
Более двух лет занимает позицию тимлида команды Data Science в X5 Retail Group, до этого был тимлидом в Uma.Tech. Работал также Data Scientist в Сбербанке.
Тимлид СБЕР ЕАПТЕКА
Модули >>>
Показать ещё
ИГОРЬ КОТЕНКОВ
До этого работал аналитиком-разработчиком в Yandex, а также в X5 и Сбербанк-Технологиях. Ведёт стажировки, готовит разборы передовых статей для команды. В 2019 получил звание мастера на международной платформе анализа данных Kaggle: 1 золотая медаль и 2 серебряных.
Senior Engineer, AliExpress Russia
Модули >>>
АЛЕКСАНДР САХНОВ
Более двух лет работает в X5, за это время работы повысил чувствительность анализа и A/B-экспериментов более чем в 100 раз. Ведёт курсы в Школе анализа данных Яндекса.
Руководитель отдела мультивариативного анализа X5 Retail Group
Модули >>>
ВЛАДИСЛАВ ЛАДЕНКОВ
Тимлид разработки в небольшом стартапе, а также занимается инфраструктурой в команде речевых технологий Х5. Также преподает в Х5 Академии.
Занимается инфраструктурой 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
СТОИМОСТЬ /
180 000 ₽
Скидка 30 000 ₽
при полной оплате
ПОЛНАЯ ОПЛАТА:
Оплата в течение
5 месяцев
ПОМЕСЯЧНО:
36 000 ₽
150 000 ₽
Доступ к курсу открывается сразу после нажатия на кнопку ниже.
0 ₽
+ 3 лекции модуля «Ранжирование и матчинг»
— Динамическое ценообразование
— Uplift-моделирование
— Продвинутое A/B тестирование
— Сценарии деплоя ML-сервисов
Все модули курса. Доступ к поддержке от наших преподавателей, готовых ответить на любые вопросы. Возможность работы на удалённом сервере.
+ Ранжирование и матчинг
+ Динамическое ценообразование
+ Uplift-моделирование
+ Продвинутое A/B-тестирование
+ Сценарии деплоя ML-сервисов
ПОЛНАЯ ВЕРСИЯ
Лекции, конспекты, задания и разборы этих заданий от наших преподавателей.
ДЕМО-ВЕРСИЯ
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 1 ОКТЯБРЯ
СТАРТ КАЖДЫЙ МЕСЯЦ 1 ЧИСЛА
Удобный способ связи
ПРОГРАММА ТРУДОУСТРОЙСТВА>>>
ТРУДОУСТРОЙСТВО
Устраиваем не только на junior позиции, но и более опытных специалистов
ПОДГОТОВКА
Помощь с резюме и сопроводительным письмом, отработка самопрезентации
РЕКОМЕНДАЦИИ
Рекомендации компаниям-партнёрам, среди которых Озон, Яндекс, Авито и др.
СОПРОВОЖДЕНИЕ
Сопровождение наших выпускников в трудоустройстве до момента оффера
84,4%
Процент успешно трудоустроенных студентов
Процент посчитан по числу устроенных на работу студентов, обратившихся за помощью в поиске работы
Поможем с поиском работы, усилим ваше резюме и научим правильно презентовать свои навыки. 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
Выбор вакансий
Отслеживание прогресса
Работа мечты
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 с вакансиями от наших партнеров, где ежедневно обновляются вакансии. На заинтересовавшие вас вакансии HR отправят ваше резюме с рекомендациями и организуют вам 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 1 ЧИСЛА
НАЧАЛО КУРСА
1 ОКТЯБРЯ
УЗНАТЬ БОЛЬШЕ
Мы свяжемся с вами и ответим на все ваши вопросы по найму учеников.