Дата старта курса: 18 сентября 2024
Дата старта курса: 18 сентября 2024
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.
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
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?
2 занятия в неделю по 1.5 часа - лекция и семинар. У нас нет непоколебимой веры в то, что вузовская лекционно-семинарская система это лучший способ обучения, однако мы убеждены, что именно под этот формат всех нас затачивали годами в университетах и к нему все сильно адаптированы
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.
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:
Онлайн, в zoom с лектором/семинаристом, в процессе можно задавать вопросы в чате
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
Онлайн, в zoom с лектором/семинаристом, в процессе можно задавать вопросы в чате
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
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)
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
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)
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
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.)
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
Тарифы
Подготовительный + База ML
+ Подготовка к трудоустройсву
+ Подготовка к трудоустройсву
ТАРИФ 1
* При рассрочке на 18 месяцев
Рассрочка
Модуль базового ML
Модуль подготовки к обучению: математика и основы Python
Практические задачи
Подготовительный + База ML
6 000 руб/мес *
Соревнования в рамках учебной группы
Поддержка от кураторов
Проверка домашних заданий с обратной связью
Бессрочный доступ к обновленным материалам
Тариф 2 + Собеседования с преподавателями + Сопровождение по трудоустройству
Полная стоимость со скидкой: 108 000 руб
ТАРИФ 3
* При рассрочке на 18 месяцев
Рассрочка
Mock-собеседование с преподавателем курса на ваш выбор
Бессрочный доступ к обновленным материалам
Индивидуальное сопровождение по трудоустройству
Тариф 2
14 000 руб/мес *
Полная стоимость со скидкой: 252 000 руб
ТАРИФ 2
* При рассрочке на 18 месяцев
Рассрочка
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
7 500 руб/мес *
Бессрочный доступ к обновленным материалам
Полная стоимость со скидкой: 135 000 руб
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 (исполнительный директор в управлении инструментов и моделей блока Риски)
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
ОСТАЛИСЬ ВОПРОСЫ?
Заполните форму, мы свяжемся с Вами, ответим на все Ваши вопросы и подробнее расскажем о курсе
ООО “Датаверс”
ИНН 9725152649
ИНН 9725152649
Дата старта курса: 18 сентября 2024
Публичная оферта
Политика конфиденциальности
Сообщение об успешной отправке!