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
11 МАЯ
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
Формат обучения Start ML
КОМУ ПОДОЙДЁТ
С НУЛЯ
Кому подойдет курс
ПОЭТАПНАЯ ОПЛАТА
НА 7 МЕСЯЦЕВ
Поэтапная оплата курса
НЕРСЕС БАГИЯН
Старт программы машинного обучения для начинающих
Преподаватель курса по машинному обучению для начинающих
ПОДАРИТЬ ОБУЧЕНИЕ
Мы свяжемся с вами и подготовим сертификат
Удобный способ связи
Сумма сертификата
1000
150000

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 7 МЕСЯЦЕВ

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 А/B теста
— Оценка влияния ML моделей на перфоманс продукта
— Оценка причинно-следственного эффекта при невозможности проведения А/B эксперимента
ЖЕЛАЕМАЯ ЗАРПЛАТА ОТ
100 000 рублей
Junior ML-инженер
МАРИЯ ОСТРИКОВА

КАК ПРОХОДИТ ОБУЧЕНИЕ:

О курсе
Формат обучения
Подход к обучению
Проект
Инфраструктура
Поддержка студентов
Поиск работы

УЗНАВАЙТЕ ПОДРОБНЕЕ О КУРСЕ

Преподаватели расскажут о курсе, обсудят каждый модуль, его ценность и особенности использования полученных знаний в дальнейшей работе.

ФОРМАТ ОБУЧЕНИЯ

Обучение проходит в интенсивном формате по 3 занятия в неделю
Домашние задания выполняются на настоящей инфраструктуре
Все лекции и дополнительные материалы доступны на образовательной платформе и остаются у вас после окончания курса
На учёбу наши студенты тратят в среднем 10 часов в неделю

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.

РАБОТАЙТЕ НАД РЕАЛЬНЫМ ПРОЕКТОМ

Проект заключается в построении системы ранжирования постов в социальной сети. Вы будете работать над ним на протяжении всего курса, выполняя задания по мере изучения необходимой теории. Вы освоите важнейшие области машинного обучения (от табличных данных до картинок) и познакомитесь с промышленной разработкой. В итоге вы создадите API, которое выбирает самые релевантные посты для каждого клиента.

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 экспертами рынка
Вашими менторами будут ML-инженеры из ведущих российских компаний
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

ФОРМАТ ОБУЧЕНИЯ
 Обучение проходит в интенсивном формате по 3 занятия в неделю
 Домашние задания выполняются на настоящей инфраструктуре
 Все лекции и дополнительные материалы доступны на образовательной платформе и остаются у вас после окончания курса
 На учёбу наши студенты тратят в среднем 10 часов в неделю
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.
РАБОТАЙТЕ НАД РЕАЛЬНЫМ ПРОЕКТОМ
Проект заключается в построении системы ранжирования постов в социальной сети. Вы будете работать над ним на протяжении всего курса, выполняя задания по мере изучения необходимой теории. Вы освоите важнейшие области машинного обучения (от табличных данных до картинок) и познакомитесь с промышленной разработкой. В итоге вы создадите API, которое выбирает самые релевантные посты для каждого клиента.
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 экспертами рынка
Вашими менторами будут ML-инженеры из ведущих российских компаний

НА КУРСЕ ИСПОЛЬЗУЕМ >>>

ПРОГРАММА КУРСА ://

|
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. Также мы посвятим время изучению инструментов для работы с базами данных, как с помощью классического SQL, так и с помощью Python кода. 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. Обзор numpy, pandas, jupyter. Основы jupyter
Обзор основных библиотек из арсенала DS: numpy, pandas, matplotlib. Начнём работать с jupyter и numpy.
5. Pandas
Познакомимся с основными операциями библиотеки pandas.
6. 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.
7. Классы и ООП
Познакомимся с понятием «класс» и философией ООП. Рассмотрим основные принципы построения классов и их реализацию на Python.
8. 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.
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: каким оно бывает и каковы основные компоненты
Обсудим, что такое МО и зачем оно нужно, познакомимся с таргетами и объектами. Выделим два вида таргета на примере краудфандинг-датасета и запустим fit-predict.
2. Введение в МО: метрики и задача линейной регрессии
Обсудим, что такое метрика, научимся решать задачи поиска коэффициентов линейной регрессии без кода (PLS). Уточним понятие матрицы, научимся запускать матричное решение на датасете с краудфандингом.
3. Градиентный спуск
Познакомимся с универсальным и быстрым способом оптимизации метрик. Научимся использовать методы градиентного спуска и визуализировать обучение для простой функции.
4. Обобщающая способность модели: метод отложенной выборки. Кросс-Валидация
Научимся справедливо сравнивать и оценивать обобщающую способность модели. Запустим кросс-валидацию, дадим оценку нашей модели с предыдущих уроков.
5. Мультиколлинеарность, регуляризация и масштабирование признаков
Узнаем, что такое ЛЗ векторов, научимся бороться с ней с помощью регуляции. Потренируем новые навыки на старом датасете, выясним, действительно ли регуляция помогает выбрасывать плохие признаки.
6. Методы отбора признаков
Разберемся с типами подсчёта корреляций и вычислением p-value.
7. Полезные приемы при работе с данными.
Поработаем с выбросами и пропущенными значениями. Узнаем дополнительные способы кодировки категориальных фичей.
8. Практика: Housing Market
Закрепим полученные знания и навыки на реальном бизнес-кейсе — научимся гридсерчиться на большом количестве признаков и регуляризаторах.
9. Линейная классификация: оценка вероятности
Поработаем с фичами на примере датасета, запустим логрег из коробки. Формально опишем задачу классификации.
10. Матрица ошибок и основные метрики классификации
Обсудим базовые методы оценки качества классификации: accuracy, precision, recall, F-меру. Посчитаем матрицу ошибок для выбранного ранее датасета, научимся влиять на метрики через threshold.
11. ROC, PR-кривые. AUC-ROC, AUC-PR. Калибровка.
Формально введём определения ROC-AUC, PR-AUC, обсудим калибровку вероятностей. Научимся строить ROC, PR кривые, посчитаем метрики.
12. Метод опорных векторов.
Узнаем, чем знаменит SVM, в каких задачах его стоит применять. Запустим SVM из коробки.
13. Многоклассовая классификая: one vs rest, one vs one
Введём новую задачу многоклассовой классификации, изучив два подхода к ней. Запустим из коробки и сравним различия в качестве оценки при использовании разных подходов.
14. Понижение размерности признакового пространства
Научимся рисовать и экономить ресурсы бизнесу. Будем использовать PCA и t- SNE для работы с нашим датасетом и обученной моделью.
15. Метод K ближайших соседей: обоснование нелинейности, гиперпараметры и подбор метрики близости объектов
Займёмся подбором метрик близости, научимся смотреть на смысл фичей. Запустим KNN на примере, научимся выбирать гипер параметры для модели.
16. Решающее дерево: постановка задачи регрессии/классификации и гиперпараметры модели и проблемы с обобщающей способностью и подбор гиперпараметров
Узнаем, как построить дерево с лучшим качеством оценки таргетов, почему деревья легко недообучить и переобучить. Запустим два дерева на датасете: для решения задач регрессии и классификации.
17. Композиции алгоритмов. Случайный лес
Изучим основные методы ансамблирования — стекинг, бустинг и другие. Рассмотрим случайный лес, бустрап и метод случайных подпространств. Обучим случайный лес и увидим связь между изменением гиперпараметров базового дерева и качеством модели.
18. Градиентный бустинг. Bias-variance trade-off
Обсудим идею и интуицию градиентного бустинга. Обучим случайный лес, проведём градиентный бустинг из коробки.
19. Кластеризация
Начнём разбирать задачу обучения без учителя, рассмотрим k-means и dbscan для кластеризации. Попробуем визуализацию обученных кластеров.
20. Рекомендательные системы
Рассмотрим задачу построения рекомендательный системы и коллаборативную фильтрацию.
21. Машинное обучение: классические задачи и алгоритмы 
Разбор задач на линейные модели классификации, регрессии и ансамбли.
|
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. Введение. Полносвязные слои. Функции активации
Начнём осваивать библиотеку PyTorch*. Познакомимся с нейронными сетями.
2. Оптимизация нейронных сетей. Метод обратного распространения ошибки
Узнаем как устроена оптимизация нейронных сетей. Оптимизация в PyTorch*.
3. Свёрточные нейронные сети 
Знакомимся со свёрточными нейронными сетями. Учимся решать задачу классификации изображений. Узнаем продвинутые подходы, которые улучшают качество и обучение свёрточных нейронных сетей.
4. Популярные архитектуры свёрточных нейронных сетей. Перенос знаний
Узнаем популярные архитектуры свёрточных нейронных сетей, разберём концепт переноса знаний. Сравним различные модели между собой.
5. Детекция объектов
Научимся решать задачу детекции объектов на изображении.
6. Векторные представления изображений
Узнаем как и зачем можно делать векторные представления изображений.
8. Векторные представления текстов
Узнаем как и зачем можно делать векторные представления текстов. Учимся решать задачу классификации текста.
9. Трансформер
Начнем знакомство с архитектурой нейронных сетей Трансформер. Обсудим популярные архитектуры нейронных сетей, основанные на архитектуре Трансформер.
|
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 спрашивают 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
Вместе достигнем желаемой цели
ПОДГОТОВКА
Поможем составить сильное резюме

РЕКОМЕНДАЦИИ
Расскажем о вас компаниям-партнёрам
СОБЕСЕДОВАНИЕ
Организуем интервью с работодателем
90%
Трудоустроенных выпускников
Рассчитано на основе данных о количестве выпускников, обратившихся за помощью в поиске работы и трудоустроенных за 3 месяца
Будем поддерживать вас в течение всего процесса трудоустройства.
Наша цель — довести вас до оффера.
Рассчитано на основе данных о количестве выпускников, обратившихся за помощью в поиске работы и трудоустроенных за 3 месяца
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 >>>

ДЕМОВЕРСИЯ
Пройдите по одному уроку из трех разных блоков, познакомьтесь с образовательной платформой и решите, подходит ли вам формат обучения.
ПОЛНАЯ ВЕРСИЯ
+ Прикладная разработка на Python
+ Машинное обучение и приложения
+ Обзор основ Deep Learning
+ Статистика и A/B-тесты
+ Собеседования и как их пройти
+ Поддержка преподавателей
+ Работа на удаленном сервере
Начните осваивать профессию ML-инженера, получите доступ к работе на удалённом сервере и поддержке от наших преподавателей.
+ Уроки по темам:
>> Основные сведения о Python
>> Введение в МО
>> Зачем нужна статистика и A/B тесты
+ Конспекты лекций
+ Практические задания с разбором
18 000 ₽
110 000 ₽
0 ₽
Регистрация на курсе открывается сразу после нажатия на кнопку ниже.
ПОМЕСЯЧНО:
ПОЛНАЯ ОПЛАТА:
Оплата в течение
7 месяцев
Скидка 16 000 ₽
при полной оплате
126 000 ₽
Доступ к демоверсии откроется после регистрации на образовательной платформе.
+ Статистика и A/B-тесты
+ Собеседования и как их пройти
+ Поддержка преподавателей
+ Работа на удаленном сервере
+ Прикладная разработка на Python
+ Машинное обучение и приложения
+ Обзор основ Deep Learning
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.
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 11 МАЯ
Удобный способ связи

ПОЛУЧИТЕ НЕОБХОДИМУЮ
БАЗУ ДЛЯ РАБОТЫ В СФЕРЕ
|

Преподаватель курса ML-инженера Нерсес Багиян
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.
Head of DS в Raiffeisen CIB
НЕРСЕС БАГИЯН

УЧИТЕСЬ У >ЛУЧШИХ>

Преподаватель онлайн курса Start ML Нерсес Багиян
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.
Head of DS в Raiffeisen CIB
НЕРСЕС БАГИЯН
Преподаватель курса Start ML для начинающих Алексей Кожарин
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
Модули >>>
Аналитик Raiffeisen CIB
АЛЕКСЕЙ КОЖАРИН
Преподаватель курса Start ML Никита Табакаев
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
Модули >>>
Аналитик Raiffeisen CIB
НИКИТА ТАБАКАЕВ
Преподаватель курса Start ML Алексей Биршерт
Преподаватель машинного обучения ФКН НИУ ВШЭ. Закончил ФКН НИУ ВШЭ с красным дипломом. Исследователь в области обработки естественного языка.
Модули >>>
Аналитик Raiffeisen CIB
АЛЕКСЕЙ БИРШЕРТ
Преподаватель курса Start ML Эмиль Каюмов
Руководит командой, которая делает рекомендации и прочие ML задачи продукта и эффективности в Яндекс Еде и Лавке. Ранее занимался задачами продукта Яндекс Такси.
Модули >>>
Тимлид Яндекс Еда и Лавка
ЭМИЛЬ КАЮМОВ

FAQ

Какими знаниями нужно обладать для прохождения курса?
Чтобы успешно пройти курс, достаточно знать математику на уровне школьной программы. Вам не потребуется уметь программировать и знать алгоритмы машинного обучения. Всё это вы сможете освоить с нуля.
Какие программы и оборудование нужны для обучения?
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: Telegram, Zoom и Slack.
Как много времени нужно будет уделять обучению?
В среднем наши студенты занимаются по 10 часов в неделю. Этого времени хватает, чтобы успевать смотреть лекции и вовремя выполнять домашние задания.
Смогу ли я совмещать обучение с работой?
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 — все лекции записаны заранее и разбиты на короткие видео по 15−30 минут, а для домашних заданий установлены мягкие двухнедельные дедлайны.
Как будет проходить обучение?
Обучение длится 7 месяцев. Каждую неделю будет проходить по два-три урока, доступ к которым будет открываться постепенно. Уроки состоят из видеолекций, конспектов и практических заданий, на выполнение которых отводится две недели. По истечении двухнедельного дедлайна будет открываться доступ к разборам заданий. Если во время обучения возникнут сложности, вы сможете обратиться за помощью к менторам. В течение курса вы будете работать над одним большим проектом и в конце пройдёте настоящее code-ревью.
Предусмотрены ли перерывы в ходе обучения?
После каждого модуля будет неделя каникул, во время которой вы сможете догнать программу, доделать домашние задания, подробнее ознакомиться с заинтересовавшими вас темами или просто отдохнуть.
Что если у меня возникнут сложности с выполнением заданий?
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас работает команда поддержки, которая поможет разобраться со сложной задачей.
Что если я начну отставать от программы курса?
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.
Какой язык программирования я буду изучать?
Вы будете изучать Python. Сейчас это самый популярный язык программирования в сфере Data Science.
Я смогу общаться с преподавателями и другими студентами?
Конечно, сможете. Всё общение с преподавателями и однокурсниками будет проходить в Slack. В чате можно будет задать любые вопросы по обучению.
Кто будет меня учить?

Вашими наставниками будут ML-инженеры из ведущих российских компаний, таких как Raiffeisen CIB и Яндекс. В этот курс они вложили все свои знания и опыт, полученные за многие годы работы. Во время обучения они будут рядом и помогут справиться с трудностями.

Есть ли у вас образовательная лицензия?
Нет. Мы оказываем информационно-консультационные услуги.
Получу ли я документ, подтверждающий прохождение курса?
Да, мы выдаём именной сертификат с подписями преподавателей курса. Чтобы его получить, необходимо сдать финальный проект и набрать суммарно не менее половины баллов за домашние задания.
Останется ли у меня доступ к учебным материалам после окончания курса?
Да, останется. Лекции, конспекты и домашние задания будут доступны вам всегда, даже после окончания обучения. Единственное, к чему пропадёт доступ, это удалённый сервер. Но не волнуйтесь — мы заранее вас предупредим и дадим возможность сохранить все необходимые файлы.
Смогу ли я найти работу после обучения?
Сейчас ML-инженеры крайне востребованы на рынке труда. Если после обучения вы будете откликаться на вакансии и работать над тестовыми заданиями, то у вас обязательно получится найти хорошую работу. На курсе мы дадим все необходимые знания и научим применять их на практике. Именно на это работодатели обращают внимание в первую очередь. А чтобы вы смогли лучше подготовиться к собеседованиям, отдельный модуль программы мы посвятили разбору типовых задач.
Помогаете ли вы с трудоустройством?
Да, у нас работает программа трудоустройства, благодаря которой работу находят 90% наших выпускников. Сначала мы расскажем, как правильно составлять резюме и сопроводительное письмо, проведём пробное собеседование и научим правильно презентовать свои навыки. Затем мы направим ваше резюме компаниям-партнёрам, среди которых Озон, Яндекс, Авито и многие другие. Всё это время вас будет сопровождать наш менеджер по трудоустройству. В среднем от подачи резюме до получения оффера проходит 1−1,5 месяца.
Я уже работаю в Data Science. Чем мне может помочь ваш курс?
Если вы уже работаете в Data Science, но для решения своих задач не применяете машинное обучение, наш курс поможет вам расширить кругозор и повысить свою ценность на рынке труда. Если вы уже сталкивались в работе с ML-алгоритмами, то сможете актуализировать знания и получите хорошую базу для обучения на более продвинутых программах.
У меня есть свои задачи по работе с данными, которые я хочу научиться решать. Поможет ли мне ваш курс?
Практические задачи, которые вы будете решать, регулярно встречаются в повседневной работе ML-инженера. Поэтому вы сможете применить полученный опыт для решения большинства стоящих перед вами задач. Если ваша задача специфическая и требует нестандартного подхода к решению, вы сможете посоветоваться в чате с командой поддержки и преподавателями — вам обязательно помогут.
В чём преимущество вашей программы по сравнению с бесплатными курсами?
В интернете есть много открытых источников с полезной и при этом бесплатной информацией — сформировать ключевые компетенции можно и на её основе. Однако не у всех есть время самостоятельно искать и структурировать разрозненную информацию. Программа нашего курса составлена опытными методистами и охватывает все ключевые инструменты и навыки, которыми должен владеть ML-инженер. Она разработана таким образом, чтобы вы могли с нуля разобраться в сложных темах и за короткий срок освоить новую профессию. Кроме того, мы оказываем нашим студентам всестороннюю поддержку — как в процессе обучения, так и при поиске работы.
Можно ли посмотреть отзывы тех, кто уже прошёл курс?
Этот курс мы запустили недавно. На данный момент все студенты находятся в процессе обучения, поэтому отзывов от выпускников пока нет. Но вы можете ознакомиться с отзывами о других наших программах.
Что произойдёт после оплаты?
После подачи заявки и оплаты обучения вы присоединитесь к ближайшему учебному потоку. Обучение на потоках начинается 10-го числа каждого месяца — к этому времени вас зарегистрируют во всех необходимых системах. В день старта вам придёт письмо с логином и паролем, а также ссылками на чаты в Slack и Telegram.
Как я могу оплатить обучение?
Вы можете оплатить обучение банковской картой. Доступны два варианта: заплатить всю сумму сразу или платить ежемесячно равными платежами. При полной оплате обучение будет стоить меньше.
Могу ли я платить за обучение частями?
Да, мы предоставляем возможность поэтапной оплаты обучения. Поэтапная оплата происходит равными платежами раз в месяц. Для выбора поэтапной оплаты перейдите по соответствующей ссылке на странице оплаты.
Смогу ли я вернуть деньги, если курс мне не понравится?
Да, сможете. В течение первых двух недель можно вернуть оплату за весь курс. Если проучитесь дольше, то сможете вернуть оплату за вычетом стоимости уже открытых уроков.
Мы свяжемся с вами, ответим на все ваши вопросы и подробнее расскажем о курсе.

ОСТАВЬТЕ ЗАЯВКУ ИЛИ ЗАДАЙТЕ ВОПРОС

СТАРТ КАЖДЫЙ МЕСЯЦ 11 ЧИСЛА
НАЧАЛО КУРСА
11 МАЯ
*/Организация Meta, а также ее продукт PyTorch, на который мы ссылаемся выше, признаны экстремистскими и запрещены на территории Российской Федерации.
УЗНАТЬ БОЛЬШЕ
Мы свяжемся с вами и ответим на все ваши вопросы по найму учеников.