Курс "База ML"

Дата старта курса:
Июнь 2026 - 5 поток

Для кого курс

Реферальная программа

Записаться на курс

Дата старта курса:
Июнь 2026 - 5 поток

Base ML

/

Базовый курс ML

Это база

Это тоже :)

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

Реферальная программа

Для кого этот курс

Полные новички и Junior в ML

Новичкам без опыта в ML

Освоите основы машинного обучения, научитесь использовать ИИ-помощников для написания кода и поймете, как устроены реальные ML-проекты.

Аналитикам данных

Перейдете от анализа данных и отчетности к прогнозированию и применению ML-моделей в рабочих задачах.

Разработчикам

Добавите в свой стек машинное обучение, MLOps и основы проектирования ML-систем. Научитесь использовать нейросети для ускорения разработки и автоматизации рутинных задач.

Менеджерам и тимлидам

Начнете говорить с инженерами на одном языке, сможете лучше понимать технические решения, оценивать сроки и участвовать в обсуждении архитектуры продуктов.

Подойдет ли Вам этот курс?

Курс подходит для старта в машинном обучении, но предполагает базовую техническую подготовку. Для комфортного обучения желательно, чтобы вы уже были знакомы со следующими темами:

Python

базовый синтаксис;
циклы и функции;
простые типы данных.

Математика

уравнения и графики функций;
производная и градиент;
матрицы и базовые операции с ними.

Статистика

среднее значение и медиана;
дисперсия;
нормальное распределение.

Работа с инструментами

установка и запуск Jupyter Notebook;
импорт библиотек;
запуск и редактирование Python-кода.

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

Длительность курса:
1 тариф - 4 месяца
2 тариф - 6 месяцев с учетом самостоятельной работы

1 месяц уделяется на Модуль подготовительный: математика и основы Python.
3 месяца проходит обучение базовому ML + применению ML в бизнес-кейсах
2 месяца выделяется на Модуль подготовки к поиску работы: решение задач, подготовка к интервью и другое.

В каком формате проходит обучение?

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

Есть ли домашки, в каком формате?
В течение курса будут домашние задания по ключевым темам. Они выполняются в формате Jupyter Notebook и включают:

практические задачи на программирование;
вопросы для самопроверки, которые помогут закрепить материал и проверить понимание.

В конце курса вы сможете самостоятельно выполнить итоговый проект, позволяющий попробовать методы машинного обучения на задаче, приближенной к бизнес-контексту.

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 стала еще сильнее

Мы обновили курс, добавив новые темы, больше практики и инструменты, которые используются специалистами сегодня.

Использование нейросетей в работе

Научитесь применять AI-ассистентов для написания кода, анализа данных и ускорения рабочих процессов.

1

Основы ML System Design

Познакомитесь с принципами проектирования архитектуры современных ML-систем и AI-продуктов.

2

Машинное обучение для бизнеса

Разберетесь, как ML-технологии помогают решать реальные задачи компаний и создавать ценность для бизнеса.

3

Проект для портфолио

Закрепите знания на практике, работая над проектом, основанным на прикладном кейсе.

4

Поддержка кураторов

Получайте помощь, ответы на вопросы и обратную связь от кураторов в течение всего обучения.

5

Программа курса

Модуль 1

/

Предварительные сведения из математики и программирования

4 недели

^{Виктор Кантор}

1.3 Линейная алгебра и многомерный анализ

Линейная алгебра в машинном обучении
Векторы
Норма, метрика и скалярное произведение
Матрицы
Операции с матрицами
Матричная запись модели
Многомерный анализ: частные производные и градиент
Применение градиента
Дифференцирование матричных выражений
Тест по подмодулю 1.3. "Линейная алгебра и многомерный анализ"
Доп.видео 1. Производная по направлению
Доп. видео 2. Направление наискорейшего роста
Доп. видео 3. Ранг, определитель и обратная матрица (пока не записано, пробую завтра)
Доп. видео 4. Метод множителей Лагранжа
Доп. видео 5. Теорема Куна-Таккера

^{Виктор Кантор}

1.4 Теория вероятностей

Дискретная вероятность
Свойства вероятности и условная вероятность
Дискретные случайные величины
Математическое ожидание
Дисперсия
Доп. видео: геометрическая вероятность и непрерывные случайные величины
Непрерывные случайные величины
Центральная предельная теорема

^{Виктор Кантор}

1.5 Алгоритмы и структуры данных

^{Дмитрий Лялин}

1.1 Основы программирования на Python

Как выглядит машинное обучение на Python
Google Colab и локальная установка Python
Работа в Jupyter notebook и запуск Python скриптов через консоль
Синтаксис Python и смысл основных конструкций
Типы данных в Python
Функции
Рекурсия
Циклы: простые применения и избавление от рекурсии
Графики в Python: основы (matplotlib и plotly)
Сложность алгоритмов: что такое O-нотация
Сложность алгоритмов: рекурсия против циклов (с графической иллюстрацией)
Классы
Чтение данных и pandas
Работа с репозиторием: основы
Ваша первая модель и первое соревнование по машинному обучению
Учимся применять LLM в программировании

^{Виктор Кантор}

1.2 Математический анализ

Математический анализ в машинном обучении
Функции и их свойства
Предел и производная
Геометрический смысл производной и поиск экстремума
Производная сложной функции
Доп. видео: Как считать производные
Производная и первообразная
Первообразная и интеграл

Модуль 2

/

Алгоритмы машинного обучения

7 недель

^{Виктор Кантор}

2.5 Простые методы машинного обучения

Метод k ближайших соседей (kNN)
Наивный байесовский классификатор

^{Виктор Кантор}

2.6 Знакомство с обучением без учителя (unsupervised learning)

Задача кластеризации
Метод K средних (K-means)
Иерархическая кластеризация
Понижение размерности пространства признаков

^{Виктор Кантор}

2.7 Знакомство с нейросетями: лекции

Что такое нейронные сети
Обучение нейросетей с помощью SGD
Математическое дополнение: граф вычислений и автоматическое дифференцирование
Обучение нейросетей: backpropagation
Проблемы обучения нейросетей

^{Никита Зелинский}

2.8 Введение в нейронные сети: семинары

Подготовка блоков и однослойная сеть
Двухслойная сеть
Pytorch для простой сети и выбор оптимизатора
Сверточные нейросети
Рекурентные нейросети
Нейросети-трансформеры

^{Виктор Кантор}

2.1 Линейные модели 1: лекции

Линейная классификация
Обучение линейных моделей
Борьба с переобучением: регуляризация
Линейные модели в задаче регрессии
Доп. видео 1: Метод опорных векторов (SVM)
Доп. видео 2: Ядра в SVM (Kernel trick)
Доп. видео 3: Двойственная задача в SVM

^{Никита Зелинский}

2.2 Линейные модели 2: семинары

Шпаргалка по метрикам
Линейные модели -- 5 строк кода и вы DS
SGD для линейной регресии
SGD для классификации
Зачем модифицировать loss? Huber regression
Регуляризация линейных моделей
SVM
Итого, преимущества линейных моделей
Пример линейной модели на текстовой задаче
Статистические тесты
Предпосылки линейной регрессии
Пропуски в фичах
Выбросы и модификация таргета
Робастые регрессии

^{Виктор Кантор}

2.3 Деревья и ансамбли 1: лекции

Решающие деревья и ансамбли
Бэггинг над деревьями и случайный лес
Градиентный бустинг

^{Никита Зелинский}

2.4 Деревья и ансамбли 2: семинары

Решающее дерево
Устойчивость решающего дерева
Бэггинг над решающими деревьями
Бустинг над решающими деревьями
Бустинг vs RandomForest
Bias-variance trade off на практике

Модуль 3

/

Оценка качества

2 недели

^{Илья Ирхин}

3.1 Метрики: лекции

Лекция: вступление
Лекция: классификация
Лекция: регрессия
Лекция: пример подбора метрики
Лекция: валидация моделей
Лекция: переход в онлайн

3.2 Метрики классификации: семинары

Семинар: основные метрики
Семинар: кривые качества
Семинар: log loss

3.3 Метрики регрессии: семинары

Семинар: основные метрики
Семинар: свойства оптимизации
Семинар: усложненные версии оптимизации

3.4 Валидация: семинары

Семинар: переобучение
Семинар: подбор гиперпараметров

3.5 A/B-тестирование: лекции

Лекция: вступление
Лекция: математический аппарат и основы
Лекция: примеры критериев
Лекция: реалии A/B-тестирования
Лекция: бакетное сэмплирование

3.6 A/B-тестирование: семинары

Семинар: вступление
Семинар: ЦПТ
Семинар: scipy
Семинар: pvalue
Семинар: сим тесты
Семинар: бакетное сэмплирование

Модуль 4

/

Автоматизация кодинга, развертывание и архитектура ML-систем

1 неделя

^{Виктор Кантор}

Автоматизация кодинга, развертывание и архитектура ML-систем

Использование нейросетей для написания кода
MLOps
ML System Design

Модуль 5

/

Применение ML в бизнес-кейсах

4 недели

^{Виктор Кантор}

5.3 Лидогенерация

Лидогенерация: введение
Кейс look-alike в Яндекс.Такси
С какими направлениями ML связана лидогенерация
Введение в uplift modelling
Семинар по лидогенерации ч.1
Семинар по лидогенерации ч.2
Семинар по лидогенерации ч.3
Семинар по лидогенерации ч.4

^{Никита Зелинский}

5.4 Автоматизация работы с помощью deep learning. Чат-боты и LLM. Автоматизация с помощью Computer Vision

RAG (Retrieval Augmented Generation)
LLM as a Judge
Evaluaton
Оценка качества RAG
Построение RAG и оценка улучшения его качества

^{Никита Зелинский}

5.1 Рекомендательные системы

Лекция 1: DS в индустрии и RecSys
Лекция 2: Бейзлайны в рекомендательных системах
Лекция 3: Двухуровневая схема на примере рекомендаций в ритейле
Лекция 4: Валидация и внедрение
Лекция 5: Экономический эффект
Лекция 6: Что общего между RAG, Поиском и RecSys?
Семинар 1: Рекомендательные системы
Семинар 2: Инструменты рекомендательных систем
Семинар 3: Перебор и выбор моделей
Семинар 4: Biases

^{Дмитрий Салтовкий}

5.2 Динамическое ценообразование

Динамическое ценообразование и спрос
Товары и ценность
Линейная кривая спроса
Ценообразование

Дополнительный модуль

^{Виктор Кантор}

Подготовка к поиску работы

Вопросы на базовые понятия на собеседованиях
Вопросы про линейные модели и функции потерь на собеседовании
Вопросы с собеседований про деревья и ансамбли
Вебинар 4: разбор резюме и вопросов с собеседований на тему метрик
Вебинар 5: алгоритмы
Вебинар 6: метрики с собеседований и обсуждение резюме
Вебинар 7: вопросы по теорверу
Вебинар 8: вопросы об основных понятиях ML на собеседовании
Вебинар 9: Линейные модели и ансамбли деревьев
Бонус: дополнительные материалы от экспертов

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

отзывы выпускников

тариф 1

Оплатить полностью или в рассрочку

* 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

Модуль Применение ML в бизнес-кейсах

Практические задачи

тариф 2

Оплатить полностью или в рассрочку

17 222 руб/мес *

* При рассрочке на 18 месяцев

Рассрочка

Полная стоимость: 310 000 руб

Типовые вопросы и задачи с собеседований

Рекомендации по составлению резюме

Дополнительные материалы для подготовки

Разбор ключевых тем ML

Тариф 1

Соревнования в рамках учебной группы

Поддержка от кураторов

Проверка домашних заданий с обратной связью

Итоговый проект

Бессрочный доступ к обновленным материалам

Подготовительный + База ML+ Применение ML в бизнес-кейсах + Подготовка к поиску работы

Подготовительный + База ML+ Применение ML в бизнес-кейсах

Вы можете задать вопрос менеджеру об оплате курса, формате, программе или любой другой вопрос

Задать вопрос

Посоветуй курс другу и верни часть стоимости курса

Узнать подробнее о реферальной программе

Оставить заявку на повышение квалификации

Вашу квалификацию подтвердит официальный документ

Мы обучаем по государственной лицензии на осуществление образовательной деятельности № Л035-01298-77/01457433

Вы получите удостоверение о повышении квалификации установленного образца, которое можно добавить к резюме и показать при устройстве на работу.

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.