Курс Базовый ML

Дата старта курса:
9 декабря 2024 - 2 поток

Для кого курс

Формат курса

Программа курса

Дата старта курса:
9 декабря 2024 - 2 поток

Base ML

/

Базовый курс ML

Это база

Это тоже :)

Демо курса

Ваши результаты после курса: Научитесь строить ML модели на Python и подготовитесь к ML-секции собеседования на Junior Data Scientist.

набор продолжится до 20 декабря 2024

Для кого этот курс

Полные новички и Junior в ML

аналитики

Сможешь решать рабочие задачи с применением ML, создавать собственные проекты

разработчики

Быстрее и качественнее будешь приходить к результату, возглавишь ML отдел

Менеджеры

Сможешь свободно общаться с командой на одном языке, самостоятельно оценивать сроки и результаты работы

перед курсом освежите знания

или попробуйте разобраться с нуля в необходимой для старта базе:

1.

Что такое матрицы и как их перемножать

2.

Что такое производная и как ее считать

3.

Что такое градиент функции, и куда он направлен

4.

Что такое матожидание и дисперсия и как их оценивать по выборке

5.

Что такое нормальное распределение, откуда оно берется и зачем нужно

6.

Как поставить себе на компьютер Jupyter Notebook и как писать на Python циклы, условные операторы, вывод на печать, как и зачем импортировать библиотеки

Формат курса

На сколько по времени рассчитан курс?

В каком формате проходит обучение?

Какие каналы коммуникации используются?

Что клиенты получат после прохождения курса?

На сколько по времени рассчитан курс?

Видеолекции (1-2 часа в неделю) и вебинары с ответами на вопросы (1-1,5 часа в неделю).

Общая длительность курса зависит от выбранного тарифа.

1 месяц уделяется на Модуль подготовительный: математика и основы Python.
3 месяца проходит обучение базовому ML.
2 месяца выделяется на Модуль собеседований: решение задач, подготовка к интервью и другое.

Соответственно:
Тариф Подготовительный + База ML - 4 месяца;
Тариф Подготовительный + База ML + Собеседования - 6 месяцев;
Тариф Подготовительный + База ML + Собеседования + Карьерное сопровождение - 6 месяцев.

В каком формате проходит обучение?

Формат лекций и семинаров:
Видеолекции и вебинары с ответами преподавателей на вопросы

Есть ли домашки, в каком формате?
Задания на программирование в Jupyter Notebook: предобработка данных, построение и валидация модели, анализ поведения модели в случае переобучения и недообучения

Соревнования по машинному обучению в рамках учебной группы: решение фиксированной задачи на конкретной выборке данных с наилучшим возможным качеством (программа-минимум: превзойти бейзлайны, программа-максимум: обогнать в Leaderboard других слушателей курса)

Небольшие «теоретические» задания: вывести формулу, расписать шаг алгоритма. У нас нет цели сделать из слушателей ученых или замучать математическими задачками, но есть желание сделать так, чтобы после курса простой вопрос на ROC-AUC на собеседовании не отправил вас в нокаут

Какие каналы коммуникации используются?

Где проходят занятия?
Платформа обучения GetCourse

Где происходит общение студентов курса?
В закрытом Телеграм-чате группы и в Телеграм-чате выпускников после успешной сдачи нужного количества домашек выше порога

Где проходит оповещение о выходе новых лекций?
В Телеграм-канале курса

Что вы получите после прохождения курса?

Научитесь строить ML модели на Python и подготовитесь к ML-секции собеседования на Junior Data Scientist.

Программа курса

Модуль 1

/

Предварительные сведения из математики и программирования

2 недели

Основные понятия машинного обучения и необходимая математика для решения оптимизационных задач: функции, производные, векторы, многомерные функции и градиенты, градиентный спуск (на примере линейной регрессии), необходимое условие экстремума, условный экстремум

Основы программирования на python, чтение и запись в файл, операции с многомерными массивами (numpy) и научными вычислениями (scipy), сложность алгоритмов по времени и по памяти (общая концепция)

2 недели

Операции с матрицами и базовые понятия теории вероятностей и статистики (случайная величина, распределение, матожидание, квантиль, выборка, оценка параметров распределения, метод максимального правдоподобия). Как это все используется в машинном обучении на примере линейной регрессии.

Библиотека sklearn и простые методы машинного обучения: kNN, линейная регрессия, наивный байесовский классификатор (с объяснением идеи), kMeans

Модуль 2

/

Алгоритмы машинного обучения

4 недели

Линейные модели (2 недели), деревья и ансамбли (2 недели)

4 недели

Обзор других методов (1 неделя)
Доп. глава: Работа с признаками и обучение без учителя (1 неделя)
Доп. глава: Введение в нейросети (1 неделя)
Ответы на вопросы (резерв) (1 неделя)

Модуль 3

/

Оценка качества

2 недели

Оценка качества на исторических данных. Метрики качества, кросс-валидация, нюансы построения обучающих и тестовых выборок, диагностика модели

2 недели

Оценка качества «в продакшене». Идея A/B тестирования и оценки статистической значимости: зачем это нужно и как работает. Применяемые в индустрии статистические тесты. Дизайн А/В тестов

Модуль 4

/

Разбор и практика решений задач с собеседований

4 недели

Лекции: Вопросы на вывод классических методов машинного обучения и поведение метрик (вопросы вида "объясните почему оптимизация log loss приводит к оценкам вероятностей")

Семинары: Задачи про классические методы и метрики (задачи вида "XGBoost дает негативные прогнозы в регрессии, обучившись только на позитивных примерах, как такое возможно?")

Задания: финальное соревнование по ML и тесты с задачами с собеседований

4 недели

Семинары: Задачи на теорию вероятностей и математическую статистику (задачи вида "посчитайте вероятность", "посчитайте матожидание", "примените статистический критерий" и др.)

подробнее о курсе от Виктора кантора

Главные результаты

Научитесь строить модели машинного обучения на языке программирования Python

Узнаете основные понятия и принципы машинного обучения

Разберетесь с тем, как работают ключевые алгоритмы классического машинного обучения и начнете знакомиться с глубоким обучением

Научитесь оценивать качество построенных моделей на исторических данных и будете понимать, как оценивать его «в продакшене»

Овладеете знаниями и навыками, необходимыми в ML-секции собеседования на Junior Data Scientist

тариф 1

Записаться

* При рассрочке на 18 месяцев

8 333 руб/мес *

Рассрочка

Полная стоимость: 150 000 руб

Тарифы

Модуль базового ML

Модуль подготовки к обучению: математика и основы Python

Практические задачи

Соревнования в рамках учебной группы

тариф 3

Записаться

17 222 руб/мес *

* При рассрочке на 18 месяцев

Рассрочка

Полная стоимость: 310 000 руб

Mock-собеседование с преподавателем курса на ваш выбор

Бессрочный доступ к обновленным материалам

Индивидуальное сопровождение по трудоустройству

Тариф 2

Поддержка от кураторов

Проверка домашних заданий с обратной связью

Бессрочный доступ к обновленным материалам

тариф 2

Записаться

11 111 руб/мес *

* При рассрочке на 18 месяцев

Рассрочка

Полная стоимость: 200 000 руб

Видеолекция как составить идеальное резюме

Видеолекция 10 непопулярных, но эффективных способов найти работу

Тариф 1

Разбор 10 выборочных резюме

Разбор задач с собеседований

Общий карьерный разбор с преподавателями курса

Бессрочный доступ к обновленным материалам

Набор продолжается до 20 декабря 2024

Тариф 2 + Собеседования с преподавателями + Сопровождение по трудоустройству

Подготовительный + База ML 
+ Подготовка к трудоустройству

Подготовительный + База ML

Преподаватели

Виктор Кантор

Работает с большими данными и искусственным интеллектом с 2010 года

Прошел путь от Data Scientist'а до топ-менеджера (Big Data VP)

Построил службу машинного обучения в «Яндекс.Такси» (ex-CDS Яндекс.Такси)

Запустил Академию больших данных Mail.Ru

Руководил Big Data в МТС (600+ сотрудников)

Автор специализации «Машинное обучение и анализ данных» МФТИ и Яндекса на Coursera (200+ тысяч слушателей с 2016 года)

Читает лекции по машинному обучению в МФТИ и ВШЭ

Лауреат Forbes «30 до 30» 2020 года

Илья Ирхин

CDO Yandex.Eats (руководитель аналитики)

Окончил с отличием Факультет Инноваций и Высоких Технологий МФТИ

Окончил с отличием Школу Анализа Данных Яндекса

Соавтор и преподаватель DMIA

Ex-CDS Yandex.Go

Кандидат физико-математических наук

Никита Зелинский

Прошёл путь от Junior до C-level сервиса в Яндексе за 8 лет

CDS МТС

Ex-CDO Сбербанк в корпоративном блоке (B2B)

Участвовал в запуске процесса Кредит за 7 минут, отвечая за моделирование PD и внедрение этих моделей в промышленную эксплуатацию, проектирование части с оценкой риск-параметров

Кандидат физико-математических наук

14 лет коммерческого опыта в Data Science/ML

Смотреть интервью с Ильей

Смотреть интервью с Никитой

В Yandex.Terra занимался разработкой алгоритмов обработки временных рядов для задач сейсморазведки

В ДИТ Москвы руководил группой аналитиков для решения задач прогнозирования спроса и предложения на медицинские услуги в г. Москве.