Кто такой ML разработчик?
ML-разработчик — это программист, который работает с машинным обучением (Machine Learning) и с помощью специальных наборов данных и алгоритмов обучает искусственный интеллект.
Что делают ML разработчики и чем занимаются?
Обязанности на примере одной из вакансий:
- Адаптация и совершенствование существующих алгоритмов;
- Поиск и внедрение новых алгоритмов;
- Оценка эффективности решений ML;
- Обмен знаниями с командой разработчиков, разработчиками и клиентами;
- Написание качественного кода на Python;
- Создание и поддержка ML-инфраструктуры и инструментов для боевых датасаентистов на проектах;
- Уточнение и формирование требований к инфраструктуре и инструментам совместно с боевыми датасаентистами, менеджерами и другими коллегами.
Что должен знать и уметь ML разработчик?
Требования к ML разработчикам:
- Unix
- Python
- Опыт работы с продакшном
- Знание базового ML
- Docker
- Git
- и других схожих инструментов.
Востребованность и зарплаты ML разработчиков
На сайте поиска работы в данный момент открыто 886 вакансий, с каждым месяцем спрос на ML разработчиков растет.
Количество вакансий с указанной зарплатой ML разработчика по всей России:
- от 100 000 руб. – 195
- от 200 000 руб. – 142
- от 300 000 руб. – 88
- от 405 000 руб. – 46
- от 505 000 руб. – 19
Вакансий с указанным уровнем дохода по Москве:
- от 100 000 руб. – 109
- от 200 000 руб. – 88
- от 300 000 руб. – 54
- от 400 000 руб. – 25
- от 505 000 руб. – 12
Вакансий с указанным уровнем дохода по Санкт-Петербургу:
- от 195 000 руб. – 21
- от 340 000 руб. – 10
- от 490 000 руб. – 4
- от 785 000 руб. – 1
Как стать ML-разработчиком и где учиться?
Варианты обучения для ML разработчика с нуля:
- Самостоятельное обучение – всевозможные видео на YouTube, книги, форумы, самоучители и т.д. Плюсы – дешево или очень недорого. Минусы – нет системности, самостоятельное обучение может оказаться неэффективным, полученные навыки могут оказаться невостребованными у работодателя;
- Онлайн-обучение. Пройти курс можно на одной из образовательных платформ. Такие курсы рассчитаны на людей без особой подготовки, поэтому подойдут большинству людей. Обычно упор в онлайн-обучении делается на практику – это позволяет быстро пополнить портфолио и устроиться на работу сразу после обучения.
Ниже сделали обзор 15+ лучших онлайн-курсов.
15+ лучших курсов для обучения ML разработчика: подробный обзор
1 место. Курс «Профессия Data Scientist: машинное обучение» — Skillbox
https://skillbox.ru/course/profession-machine-learning/
Стоимость: Рассрочка на 31 месяц — 4 879 ₽ / мес
Вы научитесь создавать аналитические системы и использовать алгоритмы машинного обучения, освоите работу с нейросетями. Наполните портфолио и получите престижную профессию.
- Длительность 19 месяцев
- Помощь в трудоустройстве
- 7 курсов в одной программе
- Доступ к курсу навсегда
На рынке не хватает специалистов по Data Science
- 500 компаний,
включая Сбербанк, Яндекс и Тинькофф, ищут специалистов по Data Science
- 100 000 рублей
зарплата начинающего специалиста
Кому подойдёт этот курс
- Людям без подготовки в IT
Вы получите базовые навыки по программированию, аналитике, статистике и математике, которые откроют путь к карьере в Data Science и Machine Learning. Сможете использовать свои знания сразу на практике.
- Программистам
Вы прокачаете свои знания и навыки в программировании на Python и R. Подтянете математику и умение мыслить как аналитик, использовать алгоритмы машинного обучения для решения бизнес-задач — и усилите портфолио мощными проектами.
- Менеджерам и владельцам бизнеса
Научитесь использовать данные для построения прогнозов и оптимизации бизнес-процессов и переведёте компанию на новый уровень.
Чему вы научитесь
- Программировать на Python
Освоите самый популярный язык для работы с данными.
- Визуализировать данные
Сможете разрабатывать дашборды или интерактивную инфографику.
- Работать с библиотеками и базами данных
Научитесь работать с библиотеками Pandas, NumPy и Matpotlib и освоите базы данных PostgreSQL, SQLite3, MongoDB.
- Применять нейронные сети для решения реальных задач
Освоите фреймворки для обучения нейронных сетей Tensorflow и Keras. Узнаете, как устроены нейронные сети для задач компьютерного зрения и лингвистики.
- Строить модели машинного обучения
Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.
- Создавать рекомендательные системы
Построите рекомендательную систему и добавите её в своё портфолио.
Помогаем построить карьеру мечты
Вас ждёт индивидуальная карьерная консультация, помощь в оформлении резюме и портфолио. На основе ваших пожеланий подберём подходящие вакансии, подготовим к собеседованию и сделаем всё, чтобы вы получили оффер.
За 2021 год мы трудоустроили более 1000 студентов на работу по новой профессии
Программа
Вас ждут 7 курсов с разным уровнем сложности, знание которых можно приравнять к году работы.
- 82 тематических модуля
- 288 онлайн-уроков
- Python для Data Science
- Введение в Data Science
- Введение в Python
- Основы
- Операторы, выражения
- Условный оператор if, ветвления
- Условный оператор if: продолжение
- Цикл while
- For: циклы со счетчиком
- For: циклы со счетчиком, часть 2. Функция range
- Цикл for: работа со строками
- Вложенные циклы
- Числа с плавающей точкой (int/float)
- Функции
- float 2
- Установка и настройка IDE
- Базовые коллекции: Cписки
- Методы для работы со списками
- List comprehensions
- Базовые коллекции: Строки
- Базовые коллекции: словари и множества
- Базовые коллекции: Кортежи
- Функции — Рекурсия
- Работа с файлами
- Исключения: работа с ошибками
- Введение в ООП
- Основные принципы ООП
- Итераторы и генераторы
- Аналитика. Начальный уровень
- Библиотека NumPy: методы анализа массивов
- Библиотека NumPy: способы преобразования массивов
- Библиотека pandas: индексация и выбор данных
- Библиотека pandas: применение функций, группировка, сортировка
- Основы визуализации данных с помощью Matplotlib
- Продвинутая визуализация с Matplotlib
- Визуализация с Seaborn
- Мастер-класс: разведочный анализ (EDA)
- Курсовая работа. Подготовка аналитического отчёта на основе имеющихся данных в качестве помощи продюсерам образовательных программ эффективно выстраивать стратегию по обновлению и улучшению курсов
- Чтение и запись данных: CSV, XLSX
- Основы SQL
- Чтение и запись данных: JSON, MongoDB
- Работа со строками
- Курсовая работа. Часть 1. Подготовка аналитического отчёта для HR-отдела. На основе аналитики необходимо составить рекомендации для отдела кадров по стратегии набора персонала и взаимодействию с сотрудниками
- Курсовая работа. Часть 2. подготовка аналитического отчёта для SMM-отдела компании Skillbox на основе паблика Skillbox «ВКонтакте»
- Статистика и теория вероятностей
- Основы статистики и теории вероятностей
- Как врать при помощи статистики
- Основы математики для Data Science
- Базовые математические объекты и SymPy. Дроби и преобразования
- Базовые математические объекты и SymPy. Функции и дополнительные объекты
- Функции одной переменной, их свойства и графики
- Интерполяция и полиномы: квадратичные и кубические функции
- Аппроксимация и преобразование функций: сдвиги, растяжения, сжатия
- Аппроксимация и работа с производными
- Функции нескольких переменных, их свойства и графики
- Частные производные функции нескольких переменных
- Векторы и матрицы. Градиент
- Линейная регрессия и системы линейных уравнений
- Разложение матриц. Собственные векторы и значения
- Машинное обучение. Начальный уровень
- Основные концепции Machine Learning (ML)
- Жизненный цикл ML-проекта
- Регрессия: метрики качества, преобразование входных данных
- Регрессия: регуляризация и градиентный спуск
- Классификация: kNN, наивный байесовский классификатор, деревья решений
- Классификация: метрики качества классификации и многоклассовая классификация
- Кластеризация
- Дополнительные техники: понижение размерности
- Дополнительные техники: бустинг и стекинг
- Знакомство с Kaggle
- Курсовая работа. Проанализировать данные телекоммуникационной компании и спрогнозировать отток пользователей на основе демографических характеристик, услуг, которыми они пользуются, длительности пользования услугами, метода и размера оплаты
- Машинное обучение. Средний уровень
- Введение в нейронные сети
- Обучение нейронных сетей
- Нейронные сети на практике
- Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле)
- Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей)
- Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN)
- Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации
- Детектирование объектов. Задачи классификации и локализации
- Детектирование объектов. Анализ и реализация R-CNN-архитектуры
- Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API
- От дискриминативных моделей к генеративным. Style transfer
- Генеративные состязательные сети
- Введение в NLP
- NLP на нейросетях. Рекуррентные нейросети, классификация текстов
- NLP на нейросетях. Языковые модели, Attention, Transformer
- Обучение с подкреплением. Q-Learning
- Обучение с подкреплением. Deep Q-Learning
- Ускорение и оптимизация нейронных сетей
- Внедрение DL моделей в production
- Введение в рекомендательные системы и задачи ранжирования
- Современные подходы к построению рекомендательных систем
- Универсальные знания программиста
- Как стать первоклассным программистом
- Вёрстка email-рассылок. Советы на реальных примерах
- The state of soft skills
- Как мы создавали карту развития для разработчиков
- Как общаться по email и эффективно работать с почтой
- Повышение своей эффективности
- Спор о первом языке программирования
- Саморазвитие: как я не усидел на двух стульях и нашёл третий
- Data-driven подход к продуктивности — инсайты из данных миллиона людей
- Протокол HTTP
- Введение в алгоритмы
- Английский для IT-специалистов
- IT Resume and CV
- Job interview: questions and answers
- Teamwork
- Workplace communication
- Business letter
- Software development
- System concept development and SRS
- Design
- Development and Testing
- Deployment and Maintenance
Ваше резюме после обучения
- Должность Специалист по машинному обучению
- Зарплата от:100 000 ₽
Профессиональные навыки:
- Владение Python для машинного обучения
- Применение алгоритмов машинного обучения
- Работа с различными источниками данных: CSV, XML и XLS
- Написание рекомендательных систем
- Работа с базами данных MongoDB, PostgreSQL, SQLite3 и SQL
- Работа с нейронными сетями
- Работа с библиотеками pandas, numpy, matplotlib
Диплом Skillbox
Подтвердит, что вы прошли курс, и станет дополнительным аргументом при устройстве на работу.
2 место. Курс «Машинное обучение» — Нетология
https://netology.ru/programs/machine-learn
Стоимость: 49 000 ₽ или рассрочка на 18 месяцев — 2 722 ₽ / мес
Курс для тех, кто хочет получить прикладной опыт создания работающих нейронных сетей.
Закладываем фундамент для развития на уровне middle.
По промокоду ROMANSEMENTSOV дополнительная скидка 5% на все онлайн-курсы, кроме направлений «MBA», «Саморазвитие и хобби», «Высшее образование» и курс «Директор по интернет маркетингу».
Скидка действует от текущей цены и суммируется с действующими скидками на сайте Нетологии. Срок действия: 29.06.22 — 31.08.22.
Формат обучения:
Онлайн и очные занятия в Москве
Уровень:
Продвинутый
Документ:
Диплом о профессиональной переподготовке
Чему научитесь на курсе
- Формулировать задачу для data science проекта
- Выдвигать идеи и гипотезы и составлять план решения задачи
- Подбирать алгоритмы и метрики под задачу для разных моделей
- На примерах изучите основные алгоритмы и узнаете, в каких случаях их использовать
- Строить модели машинного обучения с помощью библиотеки Sklearn
- Рассмотрите примеры кода обучения, научитесь применять знания на практике
- Оценивать качество моделей машинного обучения
- Ознакомитесь с подходами предотвращения переобучения, изучите методы оценки
- Интерпретировать результаты и составлять отчёт об исследовании
- Научитесь сравнивать алгоритмы на готовых датасетах, определять методы улучшения качества
Программа курса:
- Построение модели
Узнаете, что такое библиотека Sklearn и как ею пользоваться. Изучите алгоритмы кластеризации и сможете строить ансамбли моделей. Научитесь оценивать модели и работать с переобучением. Узнаете, как использовать в работе GridSearch и RandomizedSearch, Model Specific CV, Out of Bag approach.
40 часов теории
10 часов практики
- Библиотека Sklearn
- Алгоритмы классификации: линейные методы, логистическая регрессия и SVM
- Алгоритмы классификации: деревья решений
- Алгоритмы регрессии: линейная и полиноминальная
- Алгоритмы кластеризации
- Ансамблирование
- Оценка точности модели, переобучение, регуляризация
- Улучшение качества модели
- Организация проекта, составление отчётов по исследованиям
- Лабораторная работа
- Сдача промежуточного проекта
- Работа с заказчиком
- Рекомендательные системы
В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
12 часов теории
8 часов практики
- Введение и классификация рекомендательных систем
- Content-based рекомендации
- Collaborative Filtering
- Неперсонализированные рекомендательные системы
- Гибридные алгоритмы
Гарантия возврата денег
У вас есть три занятия, чтобы попробовать. Если передумаете учиться, скажите — и мы вернём вам всю сумму.
Для кого этот курс
- Разработчиков
Курс даёт хорошую базу для перехода в новую область программирования. У вас появятся другие интересные задачи и возможность роста доходов
- Аналитиков
Вы получите знания ведущих экспертов отрасли, в короткие сроки углубитесь в специализацию и выйдете на следующий уровень в профессии
- Математиков
Найдёте применение знаниям в математике и сможете перейти в новую сферу
Как проходит обучение
- Занятия онлайн или в Кампусе
Каждый из модулей программы можно пройти онлайн или присоединиться к очной группе в московском Кампусе Нетологии на Бауманской
- Практика
Занятия включает в себя практические, индивидуальные и командные задания. Также есть возможность оттачивать навыки на лабораторных занятиях и хакатоне
- Общение с экспертами
Эксперты курса, преподаватели и менторы всегда открыты для дополнительных вопросов: как в процессе обучения, так и после окончания программы
- Карьерное консультирование
Центр развития карьеры поможет с составлением резюме, подготовит к собеседованию, предложит вакансии и будет сопровождать на всех этапах поиска работы
Чтобы пройти курс, нужно уверенно владеть языком программирования Python и дружить с математикой
Подтянуть Python и вспомнить математику можно на наших курсах
Что даст вам курс:
Специалист machine learning
Достигнутые результаты
- Построена полносвязная нейросеть
- Создан чат-бот для поиска авиабилетов
- Построен классификатор изображений
- Созданы рекомендательные системы для музыкального и киносайта
- Создан готовый к внедрению ML-проект
Ключевые навыки
- Сбор и подготовка данных для анализа
- Создание нейросетей
- Генерация текстов и изображений
- Создание рекомендательных систем
- Выбор и реализация алгоритма под задачу
- Выбор и создание фич для модели
- Освоенные инструменты
- Scikit-learn
3 место. Курс «Факультет искусственного интеллекта» — GeekBrains
https://gb.ru/geek_university/data-science
Стоимость: Рассрочка на 36 месяцев — от 2 612 ₽ / мес
Пройдите обучение по Data Science с нуля и получите востребованную профессию.
За два года спрос на Data Scientist-ов вырос в два раза, по данным HeadHunter. Применяя методы машинного обучения, они строят прогнозы и повышают эффективность бизнес-процессов в любой отрасли. Мы поможем стать таким специалистом с нуля и найдем вам работу.
После учебы вы сможете работать по специальностям:
- Data Scientist
- Data Analyst
- Machine Learning Engineer
- Computer Vision-специалист
- NLP-специалист
Зарабатывайте в любых условиях:
- Получайте заказы на фрилансе или удаленке
- Стройте карьеру в компании или стартапе
- Развивайте свой бизнес
Гарантия трудоустройства закреплена в договоре. Если после успешного обучения, вы не найдёте работу, мы вернём вам деньги.
Почему нас выбирают:
- Живое общение
В курсе 70% вебинаров с преподавателями: вы сможете задать вопросы по теме и быстро получить обратную связь.
- Актуальная программа
Каждый месяц мы обновляем материал, чтобы вы получали актуальные знания.
- Постоянная практика
Вы сможете тренироваться на наших учебных стендах — специальной инфраструктуре, и добавите 14 кейсов в портфолио
- Методические материалы
После каждого занятия вы получите методички в формате Jupiter Notebook — это мощный инструмент для интерактивных вычислений.
У курса два формата обучения:
- живые вебинары;
- видеоколлекции в записи.
Везде предусмотрены домашние задания и их проверка преподавателем.
Программа обучения:
Наша программа одна из самых объёмных и содержательных. В то же время её легко понять, потому что знания даются постепенно: от базы к продвинутым инструментам.
- 380 часов обучающего контента и практики
- 14 проектов в портфолио
- 2 вебинара в неделю
I год
I четверть:
Программирование.
Научитесь работать в Linux и создавать сервера в облачных сервисах AWS, проводить поиск информации и основные операции с файлами, выполнять мониторинг работы сервера. Научитесь использовать язык запросов SQL, создавать и оптимизировать сложные запросы. Освоите библиотеки языка Python, предназначенные для Data Science: Numpy, Pandas, Matplotlib, SciKit-Learn.
Курсы:
- Встреча декана со студентами.
- Основы языка Python
- Знакомство с Python
- Встроенные типы и операции с ними
- Функции
- Полезные инструменты
- Работа с файлами
- Объектно-ориентированное программирование
- ООП. Продвинутый уровень
- ООП. Полезные дополнения
4 недели— 8 уроков
- Рабочая станция
- Введение. Установка ОС
- Настройка и знакомство с интерфейсом командной строки
- Пользователи. Управление Пользователями и группами
- Загрузка ОС и процессы
- Устройство файловой системы Linux. Понятие Файла и каталога
- Введение в скрипты bash. Планировщики задач crontab и at
- Управление пакетами и репозиториями. Основы сетевой безопасности
- Введение в docker
4 недели — 8 видеоуроков
- Основы реляционных баз данных и MySQL
- Вебинар. Установка окружения. DDL — команды
- Видеоурок. Управление БД. Язык запросов SQL
- Вебинар. Введение в проектирование БД
- Вебинар. CRUD-операции
- Видеоурок. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
- Вебинар. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
- Видеоурок. Сложные запросы
- Вебинар. Сложные запросы
- Видеоурок. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
- Вебинар. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
- Видеоурок. Оптимизация запросов. NoSQL
- Вебинар. Оптимизация запросов
6 недель — 12 уроков
- Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn
- Введение в курс
- Вычисления с помощью Numpy. Работа с данными в Pandas
- Визуализация данных в Matplotlib
- Обучение с учителем в Scikit-learn
- Обучение без учителя в Scikit-learn.
- Обучение без учителя в Scikit-learn и введение в итоговый проект
- Консультация по итоговому проекту
5 недель — 10 уроков
Проекты: Предсказание цен на недвижимость
II четверть:
Сбор данных и статистическое исследование.
Познакомитесь с теорией вероятностей и математической статистикой. Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа. Научитесь работать с RESTful/SOAP-сервисами, форматами XML и JSON в Python, а также познакомитесь с особенностями открытых данных (OpenData).
Курсы:
- Библиотеки Python для Data Science: продолжение;
- Методы сбора и обработки данных из сети Интернет;
- Введение в математический анализ;
- Теория вероятностей и математической статистике;
Проект
- Сбор информации по заданным критериям;
- Разведочный анализ данных (EDA) на основе полученной информации;
III четверть:
Математика для Data Scientist.
Рассмотрите математические аспекты алгоритмов, применяемых в Data Science: линейная и логистическая регрессия, градиентный спуск, метод ближайших соседей, кластеризация, деревья решений, случайный лес, градиентный бустинг. Поймете, как устроены алгоритмы на уровне математики.
Курсы:
- Линейная алгебра
- Алгоритмы анализа данных
Проект:
- Построение модели кредитного скоринга для банка
IV четверть:
Машинное обучение.
Освоите Python: от основ программирования до автоматизации, сбора, обработки, анализа и визуализации данных.
Курсы:
- Машинное обучение в бизнесе
- Рекомендательные системы
- Видеокурс от Мегафон + курсовой проект
Проект:
- Рекомендательная система для интернет-магазина;
- Прогнозирование оттока абонентов;
- Алгоритм для определения вероятности подключения услуги.
II год
V четверть:
Нейронные сети.
Научитесь решать задачи Machne Learning с данными из соцсетей, геоданными, применением графов, а также познакомитесь с нейронными сетями. На практике познакомитесь с фреймворками для разработки нейронных сетей: Tensorflow, Keras, PyTorch.
Курсы:
- Введение в нейронные сети
- Фреймворк PyTorch для разработки искусственных нейронных сетей.
Проект:
Распознавание и классификация изображений.
VI четверть:
Задачи искусственного интеллекта.
Изучите продвинутые архитектуры сверточных нейронных сетей, обработку естественного языка и компьютерное зрение.
Курсы:
- Введение в обработку естественного языка
- Глубокое обучение в компьютерном зрении
Проект:
Определение эмоциональной окраски текста и классификация текстов
Приложение, которое анализирует объекты на камере
Чат-бот на основе искусственного интеллекта, который может общаться на любые темы.
II четверть:
Специализация.
Изучите фреймворк PyTorch и углубитесь в работу с компьютерным зрением и обработкой естественного языка.
Курсы:
- Введение в компьютерное зрение от Nvidia
- Фреймворк PyTorch для разработки искусственных нейронных сетей
- Введение в обработку естественного языка
Проект:
Приложение, которое анализирует объекты на камере
Чат-бот на основе искусственного интеллекта, который может общаться на любые темы.
Курсы вне четверти:
Предметы с индивидуальным выбором даты старта.
Вы можете формировать часть расписания самостоятельно и регулировать интенсивность обучения.
- Подготовка к поиску работы
- История развития искусственного интеллекта
- Алгоритмы и структуры данных на Python
- Введение в высшую математику
- Спортивный анализ данных. Платформа Kaggle
- Язык R для анализа данных
- Визуализация данных в Tableau
- Сверточные нейронные сети в компьютерном зрении
Проекты:
- Соревнование на площадке Kaggle
Вы получите диплом о профессиональной переподготовке.
Курс «По машинному обучению» — SkillFactory
https://skillfactory.ru/machine-learning
Стоимость: 36 900 ₽ или рассрочка на 12 месяцев
По итогам курса вы:
- Изучите основные алгоритмы машинного обучения
- Выполните 500+ упражнений на закрепление материала
- Поучаствуете в хакатонах на Kaggle
Длительность: 12 недель
Формат: онлайн
Оценка курса: 4.6
Курс подойдет вам, если вы:
- Новичок
Вы начинающий Data Scientist, уверенно владеете Python, разбираетесь в математике и статистике. Вы сможете систематизировать и углубить полученные самостоятельно или на бесплатных курсах знания, пообщаться с профессионалами, применить модели Machine Learning на практике.
- Программист
Вы программируете на Python и столкнулись с задачами машинного обучения в работе. На курсе вы освоите основные алгоритмы машинного обучения, обучите рекомендательную систему и на финальном хакатоне примените все полученные навыки Machine Learning на практике.
- Аналитик
Вы аналитик со знанием Python, оперируете большим объемом данных и хотите погрузиться в Machine Learning. На курсе вы узнаете, какие задачи решает машинное обучение, примените
основные методы предобработки данных, научитесь валидировать данные и оценивать качество алгоритмов.
Из чего состоит курс:
Курс включает в себя 10 модулей, более 500 упражнений на закрепление материала, обучение 10 алгоритмов машинного обучения, 2 хакатона на kaggle, чат с сообществом и поддержку менторов.
- Отработка навыков
Каждая тема разбирается в видео, скринкастах и конспектах и закрепляется десятками упражнений (тесты, дебаггинг кода, проверка кода студента).
- Обучение моделей
На курсе по каждой теме вы работаете с моделью ML — файнтьюните, создаёте с нуля, оптимизируете, пробуете разные методы.
- Сообщество и ментор
На курсе вы не останетесь один на один с затруднениями — вам помогут не только ваши одногруппники, но и ментор курса.
Специализация Data Science состоит из курсов:
- Курс «Python для анализа данных»
- Курс по математике для Data Science
- Курс по Machine Learning
- Курс по нейронным сетям и deep learning
- Курс по Data Engineer
- Data-driven management
- Python
- Math&Stat
- Machine Learning
- Deep Learning
- Data Engineering
- Менеджмент
Программа курса «Машинное обучение»:
- Введение в машинное обучение
— Знакомимся с основными задачами и методами machine learning, изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
— Решаем 50+ задач на закрепление темы.
- Методы предобработки данных
— Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
— Решаем 60+ задач на закрепление темы.
- Регрессия
— Изучаем типы данных, учимся очищать и обогащать данные, осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию.
— Обучаем модели регрессии
— Решаем 40+ задач на закрепление
— Решаем 60+ задач на закрепление темы.
- Кластеризация
— Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
— Решаем 50+ задач на закрепление темы.
- 5Tree-based алгоритмы: введение в деревья
— Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
— Решаем 40+ задач на закрепление темы.
- 6Tree-based алгоритмы: ансамбли
— Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
— Решаем 40+ задач на закрепление темы
— Участвуем в соревновании на kaggle по обучению tree-based модели.
- Оценка качества алгоритмов
— Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
— Оцениваем качество нескольких моделей ML
— Решаем 40+ задач на закрепление темы.
- Временные ряды в машинном обучении
— Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
— Решаем 50+ задач на закрепление темы.
- Рекомендательные системы
— Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
— Решаем 50+ задач на закрепление темы.
- Финальный хакатон
— Применяем все изученные методы для получения максимальной точности предсказаний модели на Kaggle.
На курсе обучение не заканчивается.
- Развитие карьеры и бизнеса: 10 Jupyter ноутбуков, много готового кода для работы.
Помощь с трудоустройством и стажировкой.
- Сообщество: Тусовка специалистов и полезные знакомства.
- Сертификат школы SkillFactory: Сертификат о прохождении курса. При необходимости на английском языке.
Курс «Машинное обучение. Продвинутый уровень» — OTUS
https://otus.ru/lessons/advanced-ml/
Стоимость: 85 800 ₽