MACHINE LEARNING ДЛЯ НАЧИНАЮЩИХ. ОБУЧЕНИЕ У НАС |
Всё про самую увлекательную профессию 21 века: от сбора данных до оценки эффекта от моделей машинного обучения

СТАРТ ПРОГРАММЫ
10 ФЕВРАЛЯ
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
КОМУ ПОДОЙДЁТ
С НУЛЯ
ПОЭТАПНАЯ ОПЛАТА
НА 6 МЕСЯЦЕВ
НЕРСЕС БАГИЯН
Чем занимаются ML-Инженеры:
В современном мире бизнес сталкивается со многими проблемами, которые требуют неординарных решений. Например, как идентифицировать клиентов, которые хотят уйти, и сохранить их с помощью ценовых факторов?
Работа ML-инженера заключается в решении подобного рода задач и создании систем, которые работают лучше и быстрее, чем решения, сделанные простым человеком.
Вы уже работаете в IT, но хотите перейти в новую сферу или расширить свои знания и навыки, чтобы применить их в различных областях машинного обучения.
УЖЕ РАБОТАЕТЕ В IT
Хотите изучить машинное обучение, но не знаете, с чего начать. Курс научит вас необходимой математической базе для работы в ML и даст навыки для старта карьеры.
СТАРТ КАРЬЕРЫ
ДЛЯ КОГО ЭТА ПРОГРАММА:
ВАШЕ РЕЗЮМЕ == ЧЕРЕЗ 6 МЕСЯЦЕВ
Junior ML-инженер
100 000 рублей
ЖЕЛАЕМАЯ ЗАРПЛАТА ОТ
Технологии:
Python (numpy, scipy, sklearn, catboost, pytorch, seaborn, matplotlib, pandas), Airflow, Fast API, SQL Alchemy, Git, SQL

Задачи:
Разработка на Python:
— Cбор и обработка данных из БД с помощью Python
— Версионирование кода

Машинное обучение:
— Создание и отбор признаков для алгоритмов
— Построение бейзлайнов и их улучшение
— Валидация и визуализация результатов моделей
— Вывод модели в production через REST API или batch пайплайн

Прикладная статистика:
— Дизайн эксперимента: подбор выборок и расчет длительности для А/B теста
— Оценка влияния ML моделей на перфоманс продукта
— Оценка причинно-следственного эффекта при невозможности проведения А/B эксперимента
КАК ПРОХОДИТ ОБУЧЕНИЕ:
Подход к обучению
Инфраструктура
Поддержка студентов
Поиск работы
ФОКУСИРУЙТЕСЬ НА ПРАКТИКЕ
Мы включили в программу теорию по математике в необходимом для практики объеме. Она подаётся совместно с основным уроком, так что учить отдельно не придется.

Мы старались включить как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.

ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте во всех необходимых инструментах на нашей инфраструктуре. Вам не придется устанавливать ПО на свой компьютер, мы предоставляем доступ ко всем технологиям
— 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
По окончании курса мы помогаем нашим студентам устроиться на работу: объясняем, как правильно составить резюме и сопроводительное письмо, отрабатываем навыки самопрезентации, а затем отправляем ваше резюме с рекомендациями компаниям-партнёрам. В течение всего процесса трудоустройства мы поддерживаем и сопровождаем наших студентов — вплоть до получения желаемого оффера.
УСТРАИВАЙТЕСЬ НА РАБОТУ ПОСЛЕ КУРСА
ФОКУСИРУЙТЕСЬ НА ПРАКТИКЕ
— Мы включили в программу теорию по математике в необходимом для практики объеме. Она подаётся совместно с основным уроком, так что учить отдельно не придется.
— Мы старались включить как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.

79
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте во всех необходимых инструментах на нашей инфраструктуре. Вам не придется устанавливать ПО на свой компьютер, мы предоставляем доступ ко всем технологиям
— 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 Data-инженеры из ведущих компаний России
108
НА КУРСЕ ИСПОЛЬЗУЕМ >>>
ПРОГРАММА КУРСА ://
Прикладная разработка на Python
Машинное обучение и приложения
Статистика и A/B-тесты
Обзор основ Deep Learning
Собеседования и как их пройти
|
Python — один из самых популярных инструментов для анализа данных. В этом блоке мы научимся работать с этим языком, познакомимся с основными библиотеками для ML и узнаем, как грамотно использовать Python при командной работе. Полученных знаний будет достаточно для работы не только в области анализа данных, но и в классической разработке на Python.
Открыть программу
1. Основные сведения о Python
Познакомимся с основными определениями, узнаем, что такое дин, типизация и проcтой синтаксис. Изучим базовые структуры данных — list, tuple, dict, set, и операции с ними. Узнаем, как писать for, while, if (пока без with, try/except), break, continue.
2. Функции. Ссылочная модель данных. Погружение в типы. Изменяемые типы, срезы, работа со строками
Разберём, как написать свою функцию. Изучим обязательные аргументы, аргументы по-умолчанию и ссылочную модель данных. Рассмотрим изменяемые и неизменяемые типы. Выясним, как выглядит модификация неизменяемых типов «под капотом» и как устроен полный синтаксис.
3. Внешние модули. Экосистема PyPi. Установка пакетов в виртуальные окружения
Импортируем встроенные модули, узнаем, где искать сторонние библиотеки и как их устанавливать от начала до конца на примере numpy, pandas. Разберёмся, зачем и как нужно создавать окружения, а также зачем нужно фиксировать версии библиотек.
4. Классы и ООП
Познакомимся с понятием «класс» и философией ООП. Рассмотрим основные принципы построения классов и их реализацию на Python.
5. Версионирование кода и git
Познакомимся со способами применения и преимуществами версионирования и ветвления. Настроим git, разберем новые команды (clone,add,commit), научимся создавать «ветки». Познакомимся с merge и origin, изучим форматирование коммитов по шаблону и теги.
6. Обзор numpy, pandas, jupyter. Основы jupyter
Обзор основных библиотек из арсенала DS: numpy, pandas, matplotlib. Начнём работать с jupyter и numpy.
7. Pandas
Познакомимся с основными операциями библиотеки pandas.
8. Базы данных в Python: основы и ORM
Рассмотрим SQL, научимся подключаться к БД в Python на примере PostgresSQL. Познакомимся с концепцией ORM, разберем интеграцию SQLAlchemy с pandas.
9. Backend-разработка: что это такое. Фреймворк FastAPI для прототипирования backend-сервера
Узнаем, чем может быть полезен backend-сервер в ML. Познакомимся с основами backend: методы GET, POST, передача параметров, JSON в body, status code, ответ сервера. Разберём подключение БД 3 способами: через сырые SQL, через SQLAlchemy, через веб-сервер.
10. Airflow: обзор платформы
Познакомимся с возможностями Airflow: шедулинг задач, трекинг прогресса, логгирование. Рассмотрим основные концепции: DAG, task, operator. Напишем простой DAG с зависимостями и PythonOperator. Разберёмся, как Airflow может использоваться в ETL-процессах.
11. Полезные вещи в разработке
Выясним, как передавать кредентиалы в код, как выносить подвижные части в config и когда это делать. Познакомимся с концепцией single source of truth и узнаем, как она упрощает жизнь разработчика. Разберёмся, что такое идемпотентность и как она помогает в Airflow и Jupyter notebook. Научимся расширять PYTHONPATH через консоль и через sys.path.append.
|
Классические методы машинного обучения — это основа для большинства современных способов анализа данных, например, для оптимизации банковского ценообразования. Мы изучим основной теоретический инструментарий для успешного построения ML-дизайна в острых проблемах реальной индустрии и отточим новые навыки на практике.
Открыть программу
1. Введение в МО: векторное описание объектов, постановка задач
Узнаем, что такое МО и зачем оно нужно. Разберемся с основной терминологией при постановке задач: объекты, метрики, регрессия, классификация, ранжирование, выборка. Научимся решать задачу поиска коэффициентов линейной регрессии без кода (OLS) и готовить сырые данные.
2. Numpy и matplotlib
Рассмотрим мультииндекс, создание массивов, простые операции с помощью библиотеки numpy. Познакомимся с типами графиков matplotlib (scatter, plot, hist) и начнём с ними работать.
3. Линейная регрессия: градиентный спуск (OLS). Обобщающая способность модели. Кросс-валидация
Обсудим механику и интуицию градиентного спуска, установим теоретически возможные проблемы метода спуска. Реализуем OLS без привлечения сторонних библиотек. Разберем, как использовать кросс-валидацию для оценки модели.
4. Линейная регрессия: ЛЗ регрессоры, мультиколлинеарность и масштабирование. Регуляризация линейных моделей.
Обсудим природу возникновения мультиколлинеарности, научимся с ней бороться с помощью основных подходов регуляризации линейных моделей: Ridge и Lasso. Узнаем, зачем нормализовать фичи: интерпретация, вес оценки коэффициента и оптимальность градиентного спуска.
5. Метрики качества регрессии: MAPE, MAE, ядровой подход и др.
Узнаем разницу между метрикой и лоссом. Обсудим цену знака ошибки и робастность при подборе функционала качества. Научимся подбирать правильную метрику и лосс в зависимости от бизнес-контекста задачи. Математически покажем разницу в ошибке для различных объектов, обсудим статистические свойства оценок при различных методах их получения.
6. Обработка фичей
Научимся кодировать категориальные признаки. Покажем, как нелинейные преобразования фичей могут из плохой модели сделать идеальную и научимся подбирать функциональную зависимость по точкам.
7. Линейная классификация: оценка вероятности
Научимся запускать и настраивать простейшую модель бинарной классификации — логистическую регрессию. Посмотрим, как могут меняться аутпуты на выбросах в зависимости от функции активации. Обсудим базовые методы оценки качества классификации: accuracy, precision, recall, F-мера.
8. ROC, PR-кривые. AUC-ROC, AUC-PR. Калибровка
На примере с предыдущего занятия построим ROC, PR кривые, посчитаем метрики, сравним со случайно моделью. Формально введем определение ROC-AUC, PR-AUC, поговорим про калибровку вероятностей и научимся интерпретировать результаты логистической регрессии.
9. Метод опорных векторов
Обсудим интуицию построения разделяющей гиперплоскости с помощью метода опорных векторов.Узнаем, чем знаменит SVM и сравним оценки качества модели с логрег'ом. Запустим SVM из коробки, сравним качество и порисуем. Научимся выбирать лучший метод для каждой задачи.
10. Метод K ближайших соседей: обоснование нелинейности, гиперпараметры и подбор метрики близости объектов
Познакомимся с первым нелинейным способом — моделью KNN как для задачи классификации, так и для задачи регрессии. Обсудим мелочи и научимся подбирать подходящую под конкретную задачу функцию расстояния между объектами.
11. Отбор признаков и понижение размерности признакового пространства
Предложим альтернативы регуляризации при отборе фичей — валидацию на признаках. Узнаем, как бороться с разряженным признаковым пространством объектов с помощью метода главных компонент. Научимся визуализировать результаты сложных высокоразмерных меоделей с помощью t-SNE метода и делать адекватные выводы модели.
12. Многоклассовая классификая: one vs rest, one vs one.
Введем новую задачу многоклассовой классификации. Покажем формальные отличия от бинарной классификации. Запустим из коробки, сравним различия в качестве оценки при использовании двух подходов и закрепим навыки визуализации.
13. Решающее дерево
Узнаем, как устроены решающие деревья для задач машинного обучения. Запустим дерево на датасете для задачи регрессии и аналогичное дерево для задачи классификации. Изучим всевозможные гиперпараметры модели и поймем, на что влияет каждый из них. Узнаем критерии построения следующей вершины и все-все, что понадобится для механического и интуитивного понимания работы дерева. Научимся визуализировать и интерпретировать результаты модели.
14. Композиции алгоритмов. Случайный лес.
Узнаем основные методы ансамблирования, познакомимся с понятием метамодели. Обучим стекинг, случайный лес и убедимся в их невероятной пользе. Научимся выбирать лучший из способов ансамблирования в контексте разных задач.
15. Градиентный бустинг. Bias-variance trade-off.
Обсудим идею и интуицию градиентного бустинга. Узнаем про главную диллему машинного обучения: bias-variance tradeoff и на примере научимся раскладывать ошибку на смещение и разброс, сравнивая результат с аналогичными показателями для случайного леса.
16. Кластеризация
Рассмотрим задачу обучение без учителя, k-means, dbscan для кластеризации. Попрактикуемся в визуализации обученных кластеров (t-sne). Узнаем, как кластерный анализ может улучшить процесс построения классических моделей.
17. Рекомендательные системы
Введем задачу построения рекомендательной системы. Обсудим, почему старые методы работают относительно плохо. Научимся использовать user-based, item-based подходы и реализуем коллаборативную фильтрацию.
18. Машинное обучение: классические задачи и алгоритмы
Проведём полный разбор популярных, сложных и интересных кейсов, которые могут встретиться на будущих собеседованиях. Закрепим изученный материал: от описания конкретных параметров модели до ml-дизайна.
|
Глубинное обучение с использованием нейронных сетей появляется тогда, когда классические модели бессильны: детекция объектов с картинки, генерация осмысленного текста, определение тональности звуковой дорожки и многое другое. В данном курсе мы обзорно посмотрим на решения, которые можно сделать с помощью deep learning, и попробуем в них разобраться.
Открыть программу
1. Нейронные сети: полносвязный перцептрон
Освоим главные библиотеки по работе с нейронными сетями: tensorflow, torch. Построим своей первый полносвязный перцептрон и познакомимся с базовыми структурными элементами DL.
2. Градиентный спуск в обучении нейронных сетей
Поймём принцип обучения нейронных сетей. Рассмотрим проблемы затухания и взрыва градиента. Узнаем современные подходы: SGD, Adam. Замерим скорость и эффективность работы каждого из них.
3. Оптимизация в deep learning
Познакомимся с технологиями в рамках архитектуры нейронных сетей, которые помогают делать обучение еще более быстрым и эффективным: BatchNorm, DropOut.
4. Свёрточные нейронные сети
Узнаем особенности работы свёрточных нейронных сетей для задач Computer Vision. Познакомимся с особенностями построения фильтров: receptive field, padding'и, pooling'и. Построим свою первую CNN архитектуру для классификации объектов изображений.
5. Популярные архитектуры CNN
Узнаем о самых популярных существующих CNN системах. Поймем их архитектурные отличия. Разберем механику новых приемов, использующихся в этих сетях: например, data augmentation.
6. Какие еще задачи решают с помощью сверточных нейросетей?
Обзор на прочие частые задачи, решаемые свёрточными нейросетями. Зачем нужны автокодировщики и как их обучать? Как решать задачи сегментации и детекции?
7. Способы кодировки слов: Эмбеддинги в NLP
Научимся кодировать текст для обучения семантических моделей. Познакомимся с основными подходами: bag of words, word2vec, skip-gram.
8. Рекуррентные нейронные сети: структура модели и backprop
Рассмотрим задачи NLP. Формально поставим задачу, укажем на особенности градиентного спуска для рекуррентных моделей, поговорим про память модели при обучении.
9. Архитектуры нейросетей: LSTM и seq2seq
Узнаем особенности подходов LSTM, seq2seq и применим их на практике.
10. Машинное обучение: задачи про глубинное обучение
Проведем полный разбор ряда задач глубинному обучению из пула потенциальных вопросов на будущих собеседованиях.
|
В этом блоке мы изучим основные понятия математической статистики, необходимые для улучшения моделей. Научимся правильно проводить A/B тестирование, чтобы достоверно измерять влияние внедрения ML моделей на продукт и бизнес. Обсудим нюансы при проведении экспериментов и способы оценки метрик при невозможности проведения A/B-теста.
Открыть программу
1. Зачем нужна статистика и A/B тесты
Узнаем, почему недостаточно сделать более классную модель. Разберёмся, как правильно оценивать онлайн-метрики и учитывать шум.
2. Доверительные интервалы
Изучим способы оценки доверительных интервалов случайных величин. Разберём примеры непрерывных случайных величин.
3. Статистики распределений, взаимосвязь случайных величин, показатели корреляции
Какие статистические показатели существуют для оценивания распределений: мода, медиана, математическое ожидание, дисперсия. Узнаем, как можно оценивать взаимосвязь двух случайных величин и как это можно применить в машинном обучении.
4. Проверка гипотез, параметрические статистические критерии
Узнаем, что стоит за проверкой статистических гипотез. Разберём разницу между ошибками первого и второго рода. Поймём суть параметрических статистических критериев и выясним, какие они бывают.
5. Непараметрические статистические критерии
Изучим суть непараметрических статистических критериев и узнаем, какие они бывают.
6. Метод максимума правдоподобия и ядерная оценка плотности
Узнаем, как оценивать распределение: параметрический и непараметрический подходы.
7. Дизайн A/B эксперимента
Выясним, как проходит A/B эксперимент: выбор метрики, определение проверяемой гипотезы, разделение на группы, определение длительности эксперимента и минимального размера выборки, применение статистического критерия.
8. А/А-эксперименты и валидация методики экспериментирования
Разберёмся, как по историческим данным провалидировать метрики и схему проведения A/B экспериментов, как оценить мощность.
9. Ошибки при проведении A/B тестов
Узнаем, какие ошибки возникают при проведении A/B тестов: множественная проверка гипотез, проверка p-value каждый день, ложные прокраски из-за нарушения тестирования, ошибки в разбиение групп.
10. Увеличение чувствительности А/В тестов
Разберём техники для уменьшения дисперсии и увеличения мощности тестов.
11. Невозможность проведения А/В тестов
Выясним, в каких случаях и почему может не подходить классический A/B-тест. Узнаем, как проводить эксперименты при наличии сетевого эффекта и в других ситуациях.
12. Собеседования по теории вероятности, статистике и А/B тестированию
Разберём задачи, которые часто встречаются на собеседованиях.
|
В последнем блоке курса мы еще раз вспомним основные моменты из всего курса и обсудим, как проходят собеседования на младшего специалиста в машинном обучении, как к ним готовиться и как их проходить. Мы хотим поделиться своим опытом и помочь пройти первый этап в поиске профессии мечты.
Открыть программу
1. Программирование на Python: что обычно спаршивают на собеседованиях, какие вопросы могут встречаться
Расскажем, о чем вас могут спросить в русских и зарубежных компаниях. В конце урока проведем пробное собеседование и подробно его разберем.
2. Программирование на Python: сложность вычислений и их оценка
Узнаем, что означает "работает за квадратичное время". Научимся оценивать сложность по внутренностям цикла.
3. Программирование на Python: задачи и теория на массивы, одно/двух-связные списки, не алгоритмические вещи
Разберем задачи на массивы, которые могут встретиться на собеседованиях. Познакомимся с односвязным и двусвязным списком, рассмотрим связанные с ним задачи. Напоследок поговорим про отдельный тип задач на умение внимательно продумывать код и рассматривать граничные случаи — такие часто используются на собеседованиях для проверки внимательности кандидата.
4. Программирование на Python: задачи и теория на деревья и графы
Разберём задачи на графы и их популярную вариацию — деревья. Изучим основные алгоритмы на графах и популярные приемы при решении задач.
5. Программирование на Python: задачи и теория про динамическое программирование
Разберём новый тип задач и подход к их решению— динамическое программирование. Узнаем, как правильно подступаться к решению, какие есть подводные камни и попробуем свои силы на практических примерах.
6. Машинное обучение
В этом уроке мы вспомним материалы из блоков про машинное обучение и еще раз обсудим, с какими задачами можно столкнуться на собеседовании. 
7. Прикладная статистика
В этом уроке мы вспомним материалы из блока про статистику и А/B теста и еще раз обсудим, с какими задачами можно столкнуться на собеседовании.
ЕСЛИ ЭТОТ КУРС КАЖЕТСЯ ВАМ ЛЕГКИМ
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
Чтобы получить сильное резюме и навыки самопрезентации вы пройдете:
- Лекции и вебинары по составлению резюме от HR-эксперта Яндекс
- Тест-драйв собеседования
- Консультацию, на которой определите стратегию поиска работы и пропишете карьерные цели
ВЫБОР ВАКАНСИЙ
После подготовки всех необходимых материалов вы получите доступ к Telegram-каналам, где ежедневно обновляются вакансии от наших партнёров. На заинтересовавшие вас вакансии HR отправят ваше резюме с рекомендациями и организуют собеседование.
ОТСЛЕЖИВАНИЕ ПРОГРЕССА
Свой прогресс в трудоустройстве вы будете отслеживать с помощью специальных дневников. Работать над ошибками мы будем вместе с вами: мы подскажем, что нужно подтянуть и в каком направлении лучше мыслить, чтобы эффективнее справляться с задачами на собеседованиях.
РАБОТА МЕЧТЫ
Наша цель — довести вас до оффера. Среднее время трудоустройства с сопровождением составляет 1-1,5 месяца.
ВЫПУСКНИКИ НАШЕЙ ШКОЛЫ РАБОТАЮТ >>>
СТОИМОСТЬ
> Прикладная разработка на Python
> Машинное обучение и приложения
> Обзор основ Deep Learning
> Статистика и A/B-тесты
20 000 ₽
100 000 ₽
ПОМЕСЯЧНО:
ПОЛНАЯ ОПЛАТА:
Оплата в течение
6 месяцев
Скидка 20 000 ₽
при полной оплате
120 000 ₽
> Собеседования и как их пройти
> Поддержка преподавателей
> Работа на удаленном сервере
ПОЛУЧИТЕ НЕОБХОДИМУЮ
БАЗУ ДЛЯ РАБОТЫ В СФЕРЕ
|
Head of DS в Raiffeisen CIB
НЕРСЕС БАГИЯН
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
Этот курс составлен таким образом, чтобы человек, прошедший его, мог справляться с задачами Junior ML-инженера: обрабатывать данные, собирать признаки, строить бейзлайн модели ML. Помимо этого, мы прекрасно понимаем, что junior-специалистам тяжело проходить собеседования, и можно совершить много ошибок по неопытности, поэтому мы предусмотрели отдельный материал по подготовке к собеседованиям, в дополнение к hard skills, которым мы учим на курсе.
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 10 ФЕВРАЛЯ
СТАРТ КАЖДЫЙ МЕСЯЦ 10 ЧИСЛА
Удобный способ связи
ЗАПИСАТЬСЯ
НА SOFT ML
Если текущая программа кажется вам сложной, оставьте заявку на более лёгкий курс по ML. Мы оповестим вас о выходе программы.
УЧИТЕСЬ У >ЛУЧШИХ>
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
Руководитель направления продвинутой аналитики в Raiffeisen CIB. Преподаватель машинного обучения ФКН НИУ ВШЭ. Выпускник школы анализа данных от Яндекса. Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года.
НИКИТА ТАБАКАЕВ
Аналитик Raiffeisen CIB
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
Модули >>>
АЛЕКСЕЙ КОЖАРИН
Аналитик Raiffeisen CIB
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
Модули >>>
ЭМИЛЬ КАЮМОВ
Тимлид Яндекс Еда и Лавка
Руководит командой, которая делает рекомендации и прочие ML задачи продукта и эффективности в Яндекс Еде и Лавке. Ранее занимался задачами продукта Яндекс Такси.
Модули >>>
FAQ
Какой уровень требуется для прохождения курса?
Этот курс будет полезен как тем, кто уже обладает знаниями в области машинного обучения и хочет узнать, как решать специфичные проблемы, так и тем, кто хочет с нуля научиться строить сервисы с использованием машинного 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.
Можно ли посмотреть отзывы уже прошедших курс студентов?
Это первый запуск курса. Как студенты первого потока вы получите доступ ко всем обновлениям в течение года, если курс будет обновляться.
Как проходит обучение?
Теорию вы будете осваивать в формате видеолекций и конспектов-шпаргалок, а оттачивать практику на удаленном сервере. Если у вас будут появляться 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.
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.
Я хочу пройти этот курс, чтобы устроиться на новую работу или получить повышение. Поможет ли мне ваш курс в достижении этой цели?
Да. Помимо изучения Python, баз данных и аналитики на уровне, соответствующем всем требованиям позиции аналитика данных, мы также расскажем о карьере аналитика, поможем в составлении резюме и попрактикуемся в прохождении собеседований.
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.
Как оформить поэтапную оплату?
Поэтапная оплата происходит равными платежами раз в месяц. Для оплаты поэтапно просто перейдите по ссылке на странице оплаты.
Я начал курс, но мне не понравилось. Вы вернете 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. Успешно выполнить финальный проект.


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.
Мы свяжемся с вами, ответим на все ваши вопросы и подробнее расскажем о курсе.
ОСТАВЬТЕ ЗАЯВКУ ИЛИ ЗАДАЙТЕ ВОПРОС
СТАРТ КАЖДЫЙ МЕСЯЦ 10 ЧИСЛА
НАЧАЛО КУРСА
10 ФЕВРАЛЯ
УЗНАТЬ БОЛЬШЕ
Мы свяжемся с вами и ответим на все ваши вопросы по найму учеников.