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

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

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 подготовительному модулю: математике и основам Python.
3 месяца проходит обучение базовому ML + применению ML в бизнес-кейсах
2 месяца выделяется на подготовку к поиску работы: разбор типовых вопросов и задач с собеседования, знакомство со структурой собеседования, лайфхаки для поиска работы.

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.

Машинное обучение в бизнесе

Разберетесь, как машинное обучение помогает бизнесу с помощью рекомендательных систем, ML-лидогенерации, динамического ценообразования, скоринга и антифрода.

1

Знакомство с ML Ops и ML System Design

Узнаете, как ML модели попадают в продакшн и какие шаги важно пройти при проектировании ML-систем.

2

Написание Data Science кода с помощью AI

Научитесь применять AI-ассистентов для анализа данных, построения моделей и визуализации.

3

Проект для портфолио

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

4

Программа курса

Модуль 1

/

Подготовительный модуль: Python и математика для машинного обучения

4 недели

Теория вероятностей

Основы теории вероятностей: свойства вероятности, условная вероятность и их применение в машинном обучении.
Дискретные случайные величины: распределения, математическое ожидание и анализ вероятностных событий.
Меры разброса данных: дисперсия и её роль в оценке неопределённости и вариативности.
Непрерывные случайные величины и геометрическая вероятность как основа для работы с реальными данными.
Центральная предельная теорема и её значение для статистики, анализа данных и машинного обучения.

Алгоритмы и структуры данных

Основы алгоритмов и структур данных: принципы хранения, обработки и организации информации. Оценка эффективности алгоритмов: сложность по времени и по памяти, O-нотация и оптимизация решений.
Поиск и сортировка: ключевые подходы к эффективной работе с данными.
Динамическое программирование
Базовые структуры данных: массивы, списки, стеки, очереди, хеш-таблицы и их применение на практике.

Основы программирования на Python

Основы Python: синтаксис, типы данных, функции, циклы, рекурсия и классы.
Настройка среды разработки: Google Colab, локальная установка Python, Jupyter Notebook, работа с консолью и репозиториями.
Работа с данными и визуализация: чтение данных с помощью Pandas, построение графиков в Matplotlib и Plotly.
Алгоритмическое мышление: основы оценки сложности алгоритмов, O-нотация, сравнение циклов и рекурсии.
Практика машинного обучения: создание первой ML-модели, участие в соревновании по машинному обучению и использование LLM для программирования.

Математический анализ

Основы математического анализа: функции, их свойства и применение в задачах машинного обучения.
Пределы и производные: ключевые понятия, лежащие в основе оптимизации моделей.
Исследование функций: геометрический смысл производной, поиск экстремумов и анализ поведения функций.
Правила дифференцирования: производная сложной функции и практические методы вычисления производных.
Интегралы и первообразные: фундаментальные концепции математического анализа и их связь с машинным обучением.

Линейная алгебра и многомерный анализ

Основы линейной алгебры: векторы, матрицы, нормы, метрики и скалярное произведение.
Матричные вычисления: операции с матрицами и представление моделей машинного обучения в матричной форме.
Многомерный анализ: частные производные, градиенты и их применение для обучения моделей.
Дифференцирование матричных выражений и методы анализа многомерных функций.
Продвинутые методы оптимизации: производная по направлению, направление наискорейшего роста, ранг и обратная матрица, метод множителей Лагранжа и условия Куна-Таккера.

Модуль 2

/

Алгоритмы машинного обучения

7 недель

Простые методы машинного обучения

Метод k ближайших соседей (kNN): принципы работы и применение для задач классификации и регрессии.
Наивный байесовский классификатор: вероятностный подход к решению задачи классификации.

Знакомство с обучением без учителя (unsupervised learning)

Основы обучения без учителя: задачи и области применения методов unsupervised learning.
Кластеризация данных: поиск скрытых групп и закономерностей в данных без разметки.
Метод K-средних (K-Means): принципы работы, настройка и интерпретация результатов.
Иерархическая кластеризация: построение и анализ структуры взаимосвязей между объектами.
Понижение размерности пространства признаков

Введение в нейронные сети: лекции

Основы нейронных сетей: устройство искусственного нейрона, архитектура сети и принципы ее работы.
Обучение нейронных сетей: использование стохастического градиентного спуска (SGD) для настройки параметров модели.
Граф вычислений и автоматическое дифференцирование как основа современных фреймворков глубокого обучения.
Алгоритм обратного распространения ошибки (Backpropagation) и его роль в обучении нейронных сетей.
Основные проблемы обучения нейросетей: переобучение, затухание градиентов, нестабильность обучения и способы их решения.

Введение в нейронные сети: семинары

Практическое построение нейронных сетей: от однослойных моделей до многослойных архитектур.
Работа с фреймворком PyTorch: создание, обучение и настройка нейронных сетей, выбор оптимизаторов.
Сверточные нейронные сети (CNN): обработка изображений и извлечение признаков из визуальных данных.
Рекуррентные нейронные сети (RNN): работа с последовательностями, текстами и временными рядами.
Нейросети-трансформеры: современные архитектуры для обработки текста, генеративного ИИ и больших языковых моделей.

Линейные модели 1: лекции

Линейные модели для задач классификации: принципы работы и области применения.
Обучение линейных моделей: функции потерь, оптимизация и подбор параметров.
Борьба с переобучением: методы регуляризации и повышение обобщающей способности моделей.
Линейные модели в задачах регрессии и прогнозирования числовых значений.
Метод опорных векторов (SVM): разделяющие гиперплоскости, ядровые методы (Kernel Trick) и двойственная задача.

Линейные модели 2: семинары

Практическое применение линейных моделей: построение решений для задач регрессии, классификации и анализа текстов.
Градиентные методы обучения: реализация стохастического градиентного спуска (SGD) для регрессии и классификации, настройка и интерпретация результатов.
Улучшение качества моделей: регуляризация, модификация функций потерь и робастные подходы к обучению.
Работа с реальными данными: обработка пропусков, выбросов, трансформация признаков и таргета.
Оценка и анализ моделей: метрики качества, статистические тесты, предпосылки линейной регрессии и преимущества линейных моделей.

Деревья и ансамбли 1: лекции

Решающие деревья: принципы построения, интерпретация и применение в задачах классификации и регрессии.
Бэггинг и случайный лес: построение устойчивых моделей на основе ансамблей деревьев решений.
Градиентный бустинг над деревьями: последовательное обучение моделей для повышения точности и работы со сложными зависимостями.

Деревья и ансамбли 2: семинары

Практическая работа с решающими деревьями: обучение, визуализация и интерпретация моделей.
Анализ устойчивости деревьев решений и влияние данных на качество предсказаний.
Ансамбли на основе деревьев: реализация бэггинга и построение случайного леса.
Градиентный бустинг на практике: обучение, настройка и улучшение качества моделей.

Модуль 3

/

Оценка качества

2 недели

Метрики

Метрики в машинном обучении: принципы оценки качества моделей и выбор подходящих критериев.
Метрики для задач классификации: оценка точности, полноты и качества предсказаний.
Метрики для задач регрессии: анализ ошибок и оценка точности прогнозов.
Подбор метрик под бизнес-задачи и особенности данных для корректной оценки моделей.
Валидация моделей и подготовка к внедрению решений в промышленную среду (production).

Подробнее про метрики классификации

Основные метрики классификации: accuracy, precision, recall, F1-score и их практическое применение.
ROC-кривая и ROC-AUC.
Log Loss и вероятностная оценка качества предсказаний для задач бинарной и многоклассовой классификации.

Подробнее про метрики регрессии

Основные метрики регрессии: MAE, MSE, RMSE, MAPE и их применение для оценки качества моделей.
Свойства функций потерь и их влияние на процесс обучения моделей.

Валидация моделей на исторических данных

Переобучение моделей: причины возникновения, признаки и методы обнаружения.
Методы борьбы с переобучением и повышения обобщающей способности моделей.
Валидация моделей: оценка качества на отложенных данных и контроль качества обучения.

A/B-тестирование 1

Основы A/B-тестирования: цели, принципы проведения экспериментов и принятия решений на основе данных.
Статистический аппарат A/B-тестов: гипотезы, ошибки, доверительные интервалы и проверка значимости.
Критерии оценки результатов: выбор статистических тестов для различных типов данных и метрик.
Практика A/B-тестирования: типичные ошибки, ограничения и особенности проведения экспериментов в реальных продуктах.
Бакетное сэмплирование и организация экспериментов для получения корректных и надежных результатов.

A/B-тестирование 2

Практические основы A/B-тестирования: постановка экспериментов и анализ результатов на реальных примерах.
Центральная предельная теорема (ЦПТ) и её применение при оценке результатов экспериментов.
Использование библиотеки SciPy для проведения статистических тестов и анализа данных.
Интерпретация p-value и принятие решений на основе статистической значимости результатов.
Симуляция A/B-тестов и применение бакетного сэмплирования для повышения качества экспериментов.

Модуль 4

/

Реалии внедрения ML в бизнес

1 неделя

Использование AI-ассистентов для автоматизации анализа данных и разработки ML-систем
Основы MLOps: организация жизненного цикла моделей от разработки до промышленной эксплуатации.
Знакомство с ML System Design: основные этапы проектирования систем машинного обучения для реальных бизнес-задач.

Модуль 5

/

Наиболее частые применения ML в бизнесе

4 недели

Рекомендательные системы
Динамическое ценообразование
ML-лидогенерация
Скоринги
Антифрод
Приоритизация инвестиций
Автоматизация работы с помощью deep learning

Дополнительный модуль: Подготовка к поиску работы

Подготовка к ML-собеседованиям: разбор типовых вопросов по базовым понятиям машинного обучения и математике.
Вопросы по ключевым алгоритмам: линейные модели, функции потерь, деревья решений и ансамблевые методы.
Разбор задач по алгоритмам, теории вероятностей и метрикам, которые регулярно встречаются на технических интервью.
Подготовка резюме и стратегия прохождения собеседований на позиции в Data Science и Machine Learning.
Дополнительные материалы и рекомендации от экспертов для успешного трудоустройства и карьерного роста в ML.

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

10 278 руб/мес *

* При рассрочке на 18 месяцев

Рассрочка

Полная стоимость: 185 000 руб

Подготовка к техническим собеседованиям

Живой карьерный вебинар с практикующим ML-инженером

Рекомендации по составлению резюме

Дополнительные материалы для подготовки

Разбор ключевых тем машинного обучения

Всё, что входит в 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

Подготовка к техническим собеседованиям
Видеоразборы типовых вопросов и задач, которые встречаются на собеседованиях ML Engineer и Data Scientist.

Разбор ключевых тем машинного обучения
Повторение и систематизация основных тем, которые чаще всего проверяют работодатели.

Живой карьерный вебинар с практикующим ML-инженером
Встреча в формате вопрос-ответ со специалистом, который регулярно участвует в технических собеседованиях и найме ML-инженеров. Узнаете, какие знания действительно проверяют работодатели, как проходит отбор кандидатов и на что обратить внимание при подготовке к интервью.

Рекомендации по составлению резюме
Практические советы по оформлению резюме для поиска первой работы или смены позиции.

Дополнительные материалы для подготовки
• шаблон резюме;
• чек-лист подготовки к собеседованию;
• подборка типовых вопросов с примерами ответов

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.