Начало обучения
В любое время
В любое время
Много практики
50+ реальных ML-задач
50+ реальных ML-задач
4 уровня сложности
От Intern до Senior
От Intern до Senior
Выгодная подписка
На 3, 6 или 9 месяцев
На 3, 6 или 9 месяцев
ВАЛЕРИЙ БАБУШКИН
Работа над реальными задачами под руководством ведущих ML-специалистов
Симулятор ML-инженера
|
Карьерные консультации
Для студентов симулятора
Для студентов симулятора
Рабочая инфраструктура
С актуальными инструментами
С актуальными инструментами
ПОДАРИТЬ ОБУЧЕНИЕ
Мы свяжемся с вами и подготовим сертификат
СИМУЛЯТОР = ЧИСТАЯ ПРАКТИКА
Blockchain.com, хедлайнер симулятора
ВАЛЕРИЙ БАБУШКИН
В симуляторе вы получите доступ к инфраструктуре и задачам разного уровня, которые подготовили ML-инженеры с опытом работы в ритейле, e-commerce и BigTech-компаниях.
Здесь вас ждёт практика на задачах, максимально приближенных к реальным, и в окружении, максимально похожем на рабочее. Вы сможете начать с комфортного для вас уровня сложности и повышать его по мере развития ваших навыков. Закрепив знания на кейсах из индустрии, вы подготовите себя к решению аналогичных задач на работе.
Здесь вас ждёт практика на задачах, максимально приближенных к реальным, и в окружении, максимально похожем на рабочее. Вы сможете начать с комфортного для вас уровня сложности и повышать его по мере развития ваших навыков. Закрепив знания на кейсах из индустрии, вы подготовите себя к решению аналогичных задач на работе.
//
Ищите новую позицию и хотите получить опыт, о котором сможете рассказать на собеседовании? Хотите попробовать свои силы в задачах машинного обучения, с которыми не сталкивались на текущей работе?
Вы Data Scientist или Аналитик и хотите развития
Делаете fit-predict, но не знаете, как решать бизнес задачи с помощью ML? Умеете работать только с готовыми датасетами и хотите научиться ходить в базы данных и делать выгрузку самостоятельно? Не знаете, как деплоить модели и проводить АБ-тесты?
Есть теория — нет практики
ДЛЯ КОГО ЭТА ПРОГРАММА:
ЧЕТЫРЕ УРОВНЯ СЛОЖНОСТИ [!]
Простые, но важные задачи, в которых потребуется исправить баг, внести изменения в файл конфигурации, написать небольшую функцию или несложный SQL-запрос к базе данных.
Intern
Junior
Задачи, для решения которых необходимо разобраться в новой теме, разработать несложный функционал, обучить простую модель или написать составной SQL-запрос.
Middle
Задачи, связанные с поэтапной разработкой пайплайна полного цикла, где пригодятся продвинутые навыки SQL и уверенные знания алгоритмов машинного обучения.
Senior
Задачи, требующие нестандартных решений: вам придётся самостоятельно разобраться в новом домене, придумать метрику, построить полный ML-пайплайн и задеплоить свой сервис.
Что вам понадобится для начала:
Владеете циклами, списками, классами на базовом уровне
simulator = SimulatorML("6 months")
problems = list(simulator.problems)
for problem in problems:
....problem.solve()
simulator = SimulatorML("6 months")
problems = list(simulator.problems)
for problem in problems:
....problem.solve()
Делаете fit-predict — уже достаточно
model = LinearRegression()
model = model.fit(X, y)
y_pred = model.predict(X_test)
model = LinearRegression()
model = model.fit(X, y)
y_pred = model.predict(X_test)
Знаете, что такое математическое ожидание, и сможете посчитать t-тест
Будет плюсом, если вы умеете делать простые селекты и джойны (если нет, сможете научиться в симуляторе)
SELECT
.DATE (timestamp) as day,
.COUNT (DISTINCT user_id) as dau
FROM churn_submits
SELECT
.DATE (timestamp) as day,
.COUNT (DISTINCT user_id) as dau
FROM churn_submits
Владеете циклами, списками, классами на базовом уровне
simulator = SimulatorML("6 months")
problems = list(simulator.problems)
for problem in problems:
....problem.solve()
simulator = SimulatorML("6 months")
problems = list(simulator.problems)
for problem in problems:
....problem.solve()
Делаете fit-predict — уже достаточно
model = LinearRegression()
model = model.fit(X, y)
y_pred = model.predict(X_test)
model = LinearRegression()
model = model.fit(X, y)
y_pred = model.predict(X_test)
Знаете, что такое математическое ожидание, и сможете посчитать t-тест
Будет плюсом, если вы умеете делать простые селекты и джойны (если нет, сможете научиться в симуляторе)
SELECT
..DATE(timestamp) as day,
..COUNT(DISTINCT user_id) as dau
FROM churn_submits
SELECT
..DATE(timestamp) as day,
..COUNT(DISTINCT user_id) as dau
FROM churn_submits
ЧЕМУ ВЫ НАУЧИТЕСЬ →
ЧЕМУ ВЫ НАУЧИТЕСЬ:
Само машинное обучение мало кому интересно — важно то, какие задачи оно решает и какую пользу приносит компании. Опытный ML-инженер понимает потребности бизнеса, рассматривает модели как продукт и знает, какие проблемы можно решить с помощью машинного обучения.
В отличие от Kaggle, на реальной работе готовые датасеты встречаются редко. ML-инженеру необходимо самостоятельно работать с базами данных и анализировать, достаточно ли данных для задачи и что с их помощью можно сделать.
На практике реальные ML-системы почти всегда состоят из нескольких компонентов. Нельзя просто импортировать пару моделей из scikit-learn, сделать fit-predict и сразу увеличить выручку. В симуляторе вы научитесь понимать, из каких кубиков собирать решение для той или иной системы и как подобрать метрику для оценки каждого.
Сильный ML-инженер — это хороший разработчик, который умеет писать качественный и стабильный код, в котором легко разберётся коллега и, в случае чего, дополнит новой бизнес-логикой.
После вывода модели в продакшн что-то может пойти не по плану. Чтобы отслеживать состояние модели и вовремя среагировать на проблему, необходимо организовать мониторинг — для ML-сервиса, для самой модели и для поступающих данных. А чтобы предотвратить баги ещё до вывода в «боевые условия», покрыть модель тестами.
Перед выводом новых ML-решений в продакшн важно уметь проводить эксперименты и заранее оценивать их влияние на ключевые метрики, чтобы избежать внедрения бесполезных или негативных изменений.
Разработка моделей — это большое количество экспериментов, каждый из которых запускается на своём датасете и со своими параметрами. Важно иметь возможность полностью воспроизводить предыдущие эксперименты, если по какой-то причине текущая ветвь экспериментирования оказалась тупиковой.
Чтобы ML-модель жила своей жизнью, периодически дообучалась и стабильно приносила деньги бизнесу, необходимо обернуть её в микросервис, написать API и интегрировать с бэкендом.
Само машинное обучение мало кому интересно — важно то, какие задачи оно решает и какую пользу приносит компании. Опытный ML-инженер понимает потребности бизнеса, рассматривает модели как продукт и знает, какие проблемы можно решить с помощью машинного обучения.
В отличие от Kaggle, на реальной работе готовые датасеты встречаются редко. ML-инженеру необходимо самостоятельно работать с базами данных и анализировать, достаточно ли данных для задачи и что с их помощью можно сделать.
На практике реальные ML-системы почти всегда состоят из нескольких компонентов. Нельзя просто импортировать пару моделей из scikit-learn, сделать fit-predict и сразу увеличить выручку. В симуляторе вы научитесь понимать, из каких кубиков собирать решение для той или иной системы и как подобрать метрику для оценки каждого.
Сильный ML-инженер — это хороший разработчик, который умеет писать качественный и стабильный код, в котором легко разберётся коллега и, в случае чего, дополнит новой бизнес-логикой.
После вывода модели в продакшн что-то может пойти не по плану. Чтобы отслеживать состояние модели и вовремя среагировать на проблему, необходимо организовать мониторинг — для ML-сервиса, для самой модели и для поступающих данных. А чтобы предотвратить баги ещё до вывода в «боевые условия», покрыть модель тестами.
Перед выводом новых ML-решений в продакшн важно уметь проводить эксперименты и заранее оценивать их влияние на ключевые метрики, чтобы избежать внедрения бесполезных или негативных изменений.
Разработка моделей — это большое количество экспериментов, каждый из которых запускается на своём датасете и со своими параметрами. Важно иметь возможность полностью воспроизводить предыдущие эксперименты, если по какой-то причине текущая ветвь экспериментирования оказалась тупиковой.
Чтобы ML-модель жила своей жизнью, периодически дообучалась и стабильно приносила деньги бизнесу, необходимо обернуть её в микросервис, написать API и интегрировать с бэкендом.
КАК ПРОХОДИТ ОБУЧЕНИЕ >>>
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте со всеми необходимыми инструментами на выделенном сервере
— Подключайтесь к базам данных и обучайте модели прямо в окне браузера
— Отправляйте свои решения на автоматическую проверку
— Подключайтесь к базам данных и обучайте модели прямо в окне браузера
— Отправляйте свои решения на автоматическую проверку
Решайте настоящие рабочие задачи
— Составляйте SQL-запросы к базам данных
— Пишите код на Python и создавайте полноценные ML-сервисы
— Обучайте модели на реальных данных и выводите их в продакшн
— Пишите код на Python и создавайте полноценные ML-сервисы
— Обучайте модели на реальных данных и выводите их в продакшн
ВЫБИРАЙТЕ ПОДХОДЯЩУЮ СЛОЖНОСТЬ
— Решайте задачи разных уровней: от Intern до Senior
— Практикуйтесь в любое время
— Изучайте то, что действительно пригодится в работе
— Практикуйтесь в любое время
— Изучайте то, что действительно пригодится в работе
ЗАДАВАЙТЕ ЛЮБЫЕ ВОПРОСЫ В ПОДДЕРЖКУ
— Обсуждайте задачи и проекты с преподавателями и командой поддержки
— Вашими наставниками будут ML-инженеры из ведущих компаний
— Вашими наставниками будут ML-инженеры из ведущих компаний
— Предлагайте задачи, которые хотели бы видеть в симуляторе
— Голосуйте за предложенные варианты и определяйте приоритеты их разработки
— Голосуйте за предложенные варианты и определяйте приоритеты их разработки
Участвуйте в развитии симулятора
— Консультируйтесь с HR-специалистами и получайте персональные рекомендации
— Дополняйте резюме электронным сертификатом о прохождении симулятора
— Дополняйте резюме электронным сертификатом о прохождении симулятора
УСТРАИВАЙТЕСЬ НА РАБОТУ
ПОДРОБНЕЕ О СИМУЛЯТОРЕ
Валерий Бабушкин расскажет, в чём заключается ценность симулятора ML-инженера и какие задачи вам предстоит решать.
ЗАДАЧИ, КОТОРЫЕ БУДЕМ РЕШАТЬ:
ДИНАМИЧЕСКОЕ ЦЕНООБРАЗОВАНИЕ
Компания X6 управляет тысячами магазинов по всей стране. Перед ней стоит задача устанавливать цены товаров так, чтобы получать стабильную прибыль, при этом удерживая покупателей. Вы разработаете алгоритм, который максимизирует выручку для целевой маржи.
Optimization / Python / OOP / Matrix Algebra
Optimization / Python / OOP / Matrix Algebra
ПРОГНОЗ ОТТОКА
Karpov.Courses хочет понимать, какие студенты стали реже заходить в Симулятор. Решите задачу-квест разработки модели оттока, пройдя несколько этапов: от пошагового написания SQL-запроса с оконными функциями для построения датасета — до построения доверительных интервалов для предсказаний модели и её деплоя.
SQL / Linear Models / Python / ETL / Stats / AB-test / Math
SQL / Linear Models / Python / ETL / Stats / AB-test / Math
УВЕРЕННОСТЬ МОДЕЛИ
Мы прогнозируем объемы продаж маркетплейса для миллионов товаров с помощью градиентного бустинга. Стейкхолдеры обращаются с вопросом: насколько мы уверены в предсказаниях модели? Ваша задача оценить надежность её предсказаний для данных в будущем.
Tree-Based Models / SQL / ETL / Time Series / Stats
Tree-Based Models / SQL / ETL / Time Series / Stats
Эмбеддинги товаров
ML-команде маркетплейса потребовались векторные представления товаров, чтобы находить похожие товары. Постройте эмбеддинги товаров на основе паттернов поведения покупателей, используя методы коллаборативной фильтрации.
Matrix Factorization / SQL / Embeddings / RecSys / kNN / Matching
Matrix Factorization / SQL / Embeddings / RecSys / kNN / Matching
ПараллельнАЯ ОБРАБОТКА ДАННЫХ
Ваш коллега занимается обработкой естественного языка. Однако алгоритм в текущей реализации работает медленно. Вооружившись новыми знаниями о параллельных вычислениях, вы любезно согласились ему помочь.
Optimization / Python
Optimization / Python
Uplift-дерево
Отдел маркетинга запускает SMS-рассылки, чтобы привлечь внимание клиентов компании. Вам предстоит оценить их эффективность, решая задачу Uplift моделирования. Вы поймете, как работать с этой задачей изнутри, написав свою версию uplift-дерева с нуля.
OOP / Python / Metrics /
Tree-Based Models / Math
OOP / Python / Metrics /
Tree-Based Models / Math
ДИНАМИЧЕСКОЕ ЦЕНООБРАЗОВАНИЕ
Компания X6 управляет тысячами магазинов по всей стране. Перед ней стоит задача устанавливать цены товаров так, чтобы получать стабильную прибыль, при этом удерживая покупателей. Вы разработаете алгоритм, который максимизирует выручку для целевой маржи.
Optimization / Python / OOP / Matrix Algebra
Optimization / Python / OOP / Matrix Algebra
ПРОГНОЗ ОТТОКА
Karpov.Courses хочет понимать, какие студенты стали реже заходить в Симулятор. Решите задачу-квест разработки модели оттока, пройдя несколько этапов: от пошагового написания SQL-запроса с оконными функциями для построения датасета — до построения доверительных интервалов для предсказаний модели и её деплоя.
SQL / Linear Models / Python /
ETL / Stats / AB-test / Math
SQL / Linear Models / Python /
ETL / Stats / AB-test / Math
УВЕРЕННОСТЬ МОДЕЛИ
Мы прогнозируем объемы продаж маркетплейса для миллионов товаров с помощью градиентного бустинга. Стейкхолдеры обращаются с вопросом: насколько мы уверены в предсказаниях модели? Ваша задача оценить надежность её предсказаний для данных в будущем.
Tree-Based Models / SQL / ETL / Time Series / Stats
Tree-Based Models / SQL / ETL / Time Series / Stats
Эмбеддинги товаров
ML-команде маркетплейса потребовались векторные представления товаров, чтобы находить похожие товары. Постройте эмбеддинги товаров на основе паттернов поведения покупателей, используя методы коллаборативной фильтрации.
Matrix Factorization / SQL / Embeddings / RecSys / kNN / Matching
Matrix Factorization / SQL / Embeddings / RecSys / kNN / Matching
ПараллельнАЯ ОБРАБОТКА ДАННЫХ
Ваш коллега занимается обработкой естественного языка. Однако алгоритм в текущей реализации работает медленно. Вооружившись новыми знаниями о параллельных вычислениях, вы любезно согласились ему помочь.
Optimization / Python
Optimization / Python
Uplift-дерево
Отдел маркетинга запускает SMS-рассылки, чтобы привлечь внимание клиентов компании. Вам предстоит оценить их эффективность, решая задачу Uplift моделирования. Вы поймете, как работать с этой задачей изнутри, написав свою версию uplift-дерева с нуля.
OOP / Python / Metrics /
Tree-Based Models / Math
OOP / Python / Metrics /
Tree-Based Models / Math
и еще 30+ задач разного уровня сложности
и еще 50+ задач разного уровня сложности
Уведомить о новых задачах
БУДЕМ ИСПОЛЬЗОВАТЬ:
ОТЗЫВЫ СТУДЕНТОВ /
- Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом.
Читать полностью →Евгений Стриевич - Спасибо вам, что делаете такие клёвые задачи!
У меня уже давно такого не было, чтобы я решал задания из онлайн-курсов (обычно покупаешь курс и потом забываешь о нём, если никто не трогает и не напоминает).
А тут я сам от себя в шоке: у меня огромное желание решать задачки без всяких напоминаний.
Вы делаете очень крутой продукт.Никита Резник - Впечатления от программы очень положительные. Приятно работать не с чем-то абстрактным, а будто с реальными задачами, с которыми может столкнуться человек на работе.
Очень понравилось, что проверяется не только работоспособность кода, но и его структура и скорость выполнения. Стоит сказать ещё, что сообщество курса очень живое.
Читать полностью →Олег Карнугаев - Самое интересное и мотивирующее, что симулятор постоянно развивается. Очень активное и отзывчивое коммьюнити. Пул задач регулярно расширяется, добавляются новые интересные вызовы.
Симулятор дает большую уверенность в своих знаниях и силах. Он позволяет «пощупать» реальные задачи на практике и они уже не кажутся такими страшными и сложными :)
Читать полностью →Антон Игумнов
- Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом.
Читать полностью →Евгений Стриевич - Спасибо вам, что делаете такие клёвые задачи!
У меня уже давно такого не было, чтобы я решал задания из онлайн-курсов (обычно покупаешь курс и потом забываешь о нём, если никто не трогает и не напоминает).
А тут я сам от себя в шоке: у меня огромное желание решать задачки без всяких напоминаний.
Вы делаете очень крутой продукт.Никита Резник
Закончил бакалавриат Университета ИТМО по направлению «Физика наноструктур». Удалось немного поработать исследователем, выпустить статью, но это продлилось около полугода. На первом курсе магистратуры начал понемногу втягиваться в область анализа данных.
До симулятора уже был опыт прохождения различных курсов по машинному и глубокому обучению.
На симулятор я решил пойти, поскольку на предыдущих курсах мне казалось, что все задачи как бы немного оторваны от реальной работы ML-инженера, а в симуляторе как раз должны были быть реальные кейсы, по сути, как стажировка. И это оказалось правдой :)
Но всё же основной мотивацией было желание пополнить своё портфолио интересными задачами и проектами, о которых было бы не стыдно говорить на собеседовании. Рад, что это удалось сделать :)
Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом. Или взять задачу о неуверенности моделей (boosting uncertainty), где нужно прочитать статью и самому имплементировать виртуальный ансамбль, который позволяет оценивать уверенность предсказаний. От решения таких задач получаешь удовольствие :)
Но и из задач уровней intern и junior тоже получилось извлечь много полезного: это и построение асимметричных метрик, работа с SQL, обработка данных с помощью библиотеки pandas, работа с регулярными выражениями и т. д. В общем, я уверен, что каждый для себя сможет найти в симуляторе что-то полезное, будь он новичок или уже специалист.
Удалось пополнить своё портфолио интересными задачами. Наконец-то разобрался в бутстрапе, так как ему было уделено много задач. Сильно прокачал SQL, особенно оконные функции. Научился делать парсинг данных с помощью библиотек Python. В целом прокачались навыки написания кода на pandas и numpy, что позволяет уверенно выполнять тестовые задания.
Очень радует, что разработчики симулятора поддерживают связь со студентами и принимают во внимание их пожелания по задачам. Также выражаю большую благодарность преподавателям и кураторам, которые помогали, если задача ставила в тупик.
ЕВГЕНИЙ СТРИЕВИЧ
Телеграм
До симулятора уже был опыт прохождения различных курсов по машинному и глубокому обучению.
На симулятор я решил пойти, поскольку на предыдущих курсах мне казалось, что все задачи как бы немного оторваны от реальной работы ML-инженера, а в симуляторе как раз должны были быть реальные кейсы, по сути, как стажировка. И это оказалось правдой :)
Но всё же основной мотивацией было желание пополнить своё портфолио интересными задачами и проектами, о которых было бы не стыдно говорить на собеседовании. Рад, что это удалось сделать :)
Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом. Или взять задачу о неуверенности моделей (boosting uncertainty), где нужно прочитать статью и самому имплементировать виртуальный ансамбль, который позволяет оценивать уверенность предсказаний. От решения таких задач получаешь удовольствие :)
Но и из задач уровней intern и junior тоже получилось извлечь много полезного: это и построение асимметричных метрик, работа с SQL, обработка данных с помощью библиотеки pandas, работа с регулярными выражениями и т. д. В общем, я уверен, что каждый для себя сможет найти в симуляторе что-то полезное, будь он новичок или уже специалист.
Удалось пополнить своё портфолио интересными задачами. Наконец-то разобрался в бутстрапе, так как ему было уделено много задач. Сильно прокачал SQL, особенно оконные функции. Научился делать парсинг данных с помощью библиотек Python. В целом прокачались навыки написания кода на pandas и numpy, что позволяет уверенно выполнять тестовые задания.
Очень радует, что разработчики симулятора поддерживают связь со студентами и принимают во внимание их пожелания по задачам. Также выражаю большую благодарность преподавателям и кураторам, которые помогали, если задача ставила в тупик.
ЕВГЕНИЙ СТРИЕВИЧ
Телеграм
Я учился в МГТУ им. Н. Э. Баумана, проходил курсы на Stepik «Основы статистики» (2 первые части), «Программирование на Python» от института биоинформатики и на DataCamp курс по SQL и по Python.
В karpov. courses проходил программы «Аналитик данных» и Симулятор аналитика.
Первая работа аналитиком была в бэттинге/гэмблинге, работал там с бонусными акциями, удержанием юзеров. По большей части работал с PowerBI, SQL: строил дашборды, немного обрабатывал данные. Python использовал по своей инициативе для обработки данных, автоматизации процессов и редко для обработки А/B-тестов
До недавнего времени работал в Почте России. Инструменты схожи (PowerBI -> QlikSense), задачи в целом тоже близки, только работал с маркетплейсами.
На работе не так часто применялся Python, и появилось такое ощущение, что он потихоньку забывается. Думал между StartML и Симулятором. Выбрал в итоге Симулятор, так как хотелось попробовать прорешать что-то околореальное, да и ребята в чате сказали, что, если знаешь фит-предикт, то можно пробовать.
Впечатления от программы очень положительные. Приятно работать не с чем-то абстрактным, а будто с реальными задачами, с которыми может столкнуться человек на работе.
Очень понравилось, что проверяется не только работоспособность кода, но и его структура и скорость выполнения. Стоит сказать ещё, что сообщество курса очень живое.
На данный момент смотрю на свой ранее написанный код иначе: вижу то, что можно исправить, улучшить. На настоящей работе, к сожалению, не особо получается знания применять, но получилось оптимизировать некоторое количество функций.
Топовый симулятор, команда шикарна. Единственное, что хотелось бы улучшить — скорость ответа поддержки в дикорде.
ОЛЕГ КАРНУГАЕВ
Телеграм
В karpov. courses проходил программы «Аналитик данных» и Симулятор аналитика.
Первая работа аналитиком была в бэттинге/гэмблинге, работал там с бонусными акциями, удержанием юзеров. По большей части работал с PowerBI, SQL: строил дашборды, немного обрабатывал данные. Python использовал по своей инициативе для обработки данных, автоматизации процессов и редко для обработки А/B-тестов
До недавнего времени работал в Почте России. Инструменты схожи (PowerBI -> QlikSense), задачи в целом тоже близки, только работал с маркетплейсами.
На работе не так часто применялся Python, и появилось такое ощущение, что он потихоньку забывается. Думал между StartML и Симулятором. Выбрал в итоге Симулятор, так как хотелось попробовать прорешать что-то околореальное, да и ребята в чате сказали, что, если знаешь фит-предикт, то можно пробовать.
Впечатления от программы очень положительные. Приятно работать не с чем-то абстрактным, а будто с реальными задачами, с которыми может столкнуться человек на работе.
Очень понравилось, что проверяется не только работоспособность кода, но и его структура и скорость выполнения. Стоит сказать ещё, что сообщество курса очень живое.
На данный момент смотрю на свой ранее написанный код иначе: вижу то, что можно исправить, улучшить. На настоящей работе, к сожалению, не особо получается знания применять, но получилось оптимизировать некоторое количество функций.
Топовый симулятор, команда шикарна. Единственное, что хотелось бы улучшить — скорость ответа поддержки в дикорде.
ОЛЕГ КАРНУГАЕВ
Телеграм
По образованию я архитектор. На работе разрабатывал крупные проекты в центре Москвы. Прошел курс по DS в Практикуме. Опыта работы в DS нет.
После прохождения курса не хватало практики. Как обычно, стоял вопрос, где её получить. Пет-проект по анализу стандартных датасетов казался слишком посредственной задачей. Да и вряд ли она поможет в трудоустройстве. В симуляторе же представлены реальные задачи, есть возможность погрузиться в конкретную задачу/тему/проблему. Казалось (и до сих пор есть это ощущение, хотя не прошёл его до конца), что это лучший инструмент для практики!
При работе с симулятором проходишь через богатый спектр эмоций: воодушевление, страх, отрицание, гордость, любопытство, удивление, принятие, уверенность.
Самое интересное и мотивирующее, что симулятор постоянно развивается. Очень активное и отзывчивое коммьюнити. Пул задач регулярно расширяется, добавляются новые интересные вызовы.
Симулятор дает большую уверенность в своих знаниях и силах. Он позволяет «пощупать» реальные задачи на практике и они уже не кажутся такими страшными и сложными :)
Влияние на карьеру сложно оценить на данном этапе, так как я всё ещё в процессе поиска первой работы. Но получение нового полезного навыка всегда лучше, чем его отсутствие.
Спасибо ВАМ (привет Богдан)) большое, за возможность получить такой интересный инструмент! И бесценный опыт!
АНТОН ИГУМНОВ
Телеграм
После прохождения курса не хватало практики. Как обычно, стоял вопрос, где её получить. Пет-проект по анализу стандартных датасетов казался слишком посредственной задачей. Да и вряд ли она поможет в трудоустройстве. В симуляторе же представлены реальные задачи, есть возможность погрузиться в конкретную задачу/тему/проблему. Казалось (и до сих пор есть это ощущение, хотя не прошёл его до конца), что это лучший инструмент для практики!
При работе с симулятором проходишь через богатый спектр эмоций: воодушевление, страх, отрицание, гордость, любопытство, удивление, принятие, уверенность.
Самое интересное и мотивирующее, что симулятор постоянно развивается. Очень активное и отзывчивое коммьюнити. Пул задач регулярно расширяется, добавляются новые интересные вызовы.
Симулятор дает большую уверенность в своих знаниях и силах. Он позволяет «пощупать» реальные задачи на практике и они уже не кажутся такими страшными и сложными :)
Влияние на карьеру сложно оценить на данном этапе, так как я всё ещё в процессе поиска первой работы. Но получение нового полезного навыка всегда лучше, чем его отсутствие.
Спасибо ВАМ (привет Богдан)) большое, за возможность получить такой интересный инструмент! И бесценный опыт!
АНТОН ИГУМНОВ
Телеграм
Закончил бакалавриат Университета ИТМО по направлению «Физика наноструктур». Удалось немного поработать исследователем, выпустить статью, но это продлилось около полугода. На первом курсе магистратуры начал понемногу втягиваться в область анализа данных.
До симулятора уже был опыт прохождения различных курсов по машинному и глубокому обучению.
На симулятор я решил пойти, поскольку на предыдущих курсах мне казалось, что все задачи как бы немного оторваны от реальной работы ML-инженера, а в симуляторе как раз должны были быть реальные кейсы, по сути, как стажировка. И это оказалось правдой :)
Но всё же основной мотивацией было желание пополнить своё портфолио интересными задачами и проектами, о которых было бы не стыдно говорить на собеседовании. Рад, что это удалось сделать :)
Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом. Или взять задачу о неуверенности моделей (boosting uncertainty), где нужно прочитать статью и самому имплементировать виртуальный ансамбль, который позволяет оценивать уверенность предсказаний. От решения таких задач получаешь удовольствие :)
Но и из задач уровней intern и junior тоже получилось извлечь много полезного: это и построение асимметричных метрик, работа с SQL, обработка данных с помощью библиотеки pandas, работа с регулярными выражениями и т. д. В общем, я уверен, что каждый для себя сможет найти в симуляторе что-то полезное, будь он новичок или уже специалист.
Удалось пополнить своё портфолио интересными задачами. Наконец-то разобрался в бутстрапе, так как ему было уделено много задач. Сильно прокачал SQL, особенно оконные функции. Научился делать парсинг данных с помощью библиотек Python. В целом прокачались навыки написания кода на pandas и numpy, что позволяет уверенно выполнять тестовые задания.
Очень радует, что разработчики симулятора поддерживают связь со студентами и принимают во внимание их пожелания по задачам. Также выражаю большую благодарность преподавателям и кураторам, которые помогали, если задача ставила в тупик.
ЕВГЕНИЙ СТРИЕВИЧ
Телеграм
До симулятора уже был опыт прохождения различных курсов по машинному и глубокому обучению.
На симулятор я решил пойти, поскольку на предыдущих курсах мне казалось, что все задачи как бы немного оторваны от реальной работы ML-инженера, а в симуляторе как раз должны были быть реальные кейсы, по сути, как стажировка. И это оказалось правдой :)
Но всё же основной мотивацией было желание пополнить своё портфолио интересными задачами и проектами, о которых было бы не стыдно говорить на собеседовании. Рад, что это удалось сделать :)
Симулятором остался очень доволен. Понравилось, что задачи разделены по уровням и ты сам выбираешь, какую задачу тебе решать. Больше всего понравились задачи уровня middle, так как это многосоставные задачи с некоторым сюжетом, которые приходилось делать несколько дней, а то и несколько недель. Например, задача предсказания оттока, где нужно не просто построить модель, но и провести целый ETL-пайплайн с дальнейшим feature-инжинирингом. Или взять задачу о неуверенности моделей (boosting uncertainty), где нужно прочитать статью и самому имплементировать виртуальный ансамбль, который позволяет оценивать уверенность предсказаний. От решения таких задач получаешь удовольствие :)
Но и из задач уровней intern и junior тоже получилось извлечь много полезного: это и построение асимметричных метрик, работа с SQL, обработка данных с помощью библиотеки pandas, работа с регулярными выражениями и т. д. В общем, я уверен, что каждый для себя сможет найти в симуляторе что-то полезное, будь он новичок или уже специалист.
Удалось пополнить своё портфолио интересными задачами. Наконец-то разобрался в бутстрапе, так как ему было уделено много задач. Сильно прокачал SQL, особенно оконные функции. Научился делать парсинг данных с помощью библиотек Python. В целом прокачались навыки написания кода на pandas и numpy, что позволяет уверенно выполнять тестовые задания.
Очень радует, что разработчики симулятора поддерживают связь со студентами и принимают во внимание их пожелания по задачам. Также выражаю большую благодарность преподавателям и кураторам, которые помогали, если задача ставила в тупик.
ЕВГЕНИЙ СТРИЕВИЧ
Телеграм
УЧИТЕСЬ У >ЛУЧШИХ>
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.
VP of Data Science в Blockchain.com
БОГДАН ПЕЧЁНКИН
Работал в X5 Retail Group, AliExpress Russia и KazanExpress. Запустил динамическое ценообразование в AliExpress. Курировал курс по анализу больших данных на Spark в BigData Team. Соавтор ML Симулятора на Karpov. Courses и курса по Reliable ML на Educative.
Senior ML Engineer at GG.AGENCY
ДЕМОВЕРСИЯ
4 задачи разного уровня сложности:
КУПИТЬ ПОДПИСКУ
+ 50+ реальных ML-задач
+ Все уровни сложности: Intern, Junior, Middle, Senior
+ Доступ к рабочей инфраструктуре
+ Поддержка от преподавателей
+ Карьерные консультации
+ Все уровни сложности: Intern, Junior, Middle, Senior
+ Доступ к рабочей инфраструктуре
+ Поддержка от преподавателей
+ Карьерные консультации
+ Valid Emails (Intern)
+ Asymmetric Metrics (Intern)
+ NDCG (Junior)
+ Churn Rate II*: Bootstrap (Middle)
+ Asymmetric Metrics (Intern)
+ NDCG (Junior)
+ Churn Rate II*: Bootstrap (Middle)
0 ₽
Регистрация на курсе открывается сразу после нажатия на кнопку ниже.
Доступ к демоверсии откроется после регистрации на образовательной платформе.
21 000 ₽/ 3 месяца
39 000 ₽/ 6 месяцев
54 000 ₽/ 9 месяцев
*.часть I доступна только в полной версии
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
Начните учиться сейчас, оформите налоговый вычет и верните до 13% стоимости обучения. Подробнее здесь.
налоговый вычет
гарантия возврата
Если в течение двух недель решите, что курс вам не подходит — вернём деньги.
Международная оплата
Если вы хотите оплатить обучение из-за рубежа, оставьте заявку — мы с вами свяжемся и подскажем, как это сделать.
ОСТАВИТЬ ЗАЯВКУ
ЗАДАТЬ ВОПРОС
Мы свяжемся с вами и ответим на все ваши вопросы по симулятору.
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.
FAQ >>>
Да, мы осуществляем образовательную деятельность на основании государственной лицензии № 042 048 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.
Симулятор подойдёт как тем, кто уже знает теорию машинного обучения, но никогда не сталкивался с настоящими рабочими задачами и хотел бы отточить свои навыки на практике, так и уже опытным специалистам, которые хотят отточить навыки в определенной области. Для начала мы рекомендуем вам владеть следующими знаниями.
Вы будете решать задачи, которые регулярно встречаются в повседневной работе ML-инженеров. Мы разделили их на условные уровни сложности: Intern, Junior, Middle и Senior. Вы можете начать с комфортного для вас уровня сложности и повышать его по мере развития ваших навыков. С примерами задач уровня Intern, Junior и Middle можно ознакомиться в нашей демоверсии.
Да, с текущей подробной программой вы можете ознакомиться по ссылке.
Отметим, что симулятор постоянно развивается и пополняется новыми задачами, а наши студенты определяют приоритеты разработки.
Отметим, что симулятор постоянно развивается и пополняется новыми задачами, а наши студенты определяют приоритеты разработки.
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас работает команда поддержки, к которой вы всегда сможете обратиться за помощью.
Конечно, сможете. Всё общение с командой поддержки будет проходить в Discord. А в телеграм-чате можно будет общаться с однокурсниками и авторами симулятора.
В любое время. Доступ к симулятору откроется вам в день оплаты подписки.
Да, сможете. В течение первых двух недель можно вернуть полную оплату.
Да, вы получите интерактивный сертификат, который будет отражать прогресс по решённым на симуляторе задачам. Ссылку на него можно приложить в резюме.
Уверены, что поможет. В симуляторе вы не просто прокачаете отдельные навыки, а поймёте, как сводить бизнес-задачи к задачам машинного обучения. С этими знаниями вы сможете успешно пройти собеседование на позицию в сфере Machine Learning и приносить пользу бизнесу уже с первых дней.
Да, вы сможете применить полученный на симуляторе опыт для решения большинства стоящих перед вами задач. Также Симулятор МЛ – живой продукт, мы регулярно добавляем новые задачи на основе запросов студентов. Вы всегда сможете предложить идею задачи авторам симулятора или проголосовать за предложения других. Самые популярные запросы берутся в разработку в первую очередь.