Вы научитесь
поток с 13 ноября
анализировать и визуализировать большие объемы данных
80 000 ₽
сводить бизнес-задачу в задачу машинного обучения
работать с данными разных типов
30% теории. 70% практики.
3,5 месяца
Это курс об автоматизации. Вы узнаете, как научить компьютеры «думать» самостоятельно. Мы поможем уверенно стартовать в профессии: вы сможете сделать итоговый проект на реальных данных.
идёт набор
ПРОФЕССИЯ DATA SCIENTIST
Какими проектами может заниматься специалист по машинному обучению
Получит информацию из данных компании и сможет предложить на их основе рабочую гипотезу для увеличения прибыли компании
Придумает умного бота для общения с клиентами — «Алису 2.0» или голосового помощника «Игоря»
Разработает алгоритм для персонифици-рованной рекламы в социальных сетях: чтобы клиенты точно нажали на рекламный баннер, который на 100% попадает в их сердечко
Создать умный поиск, который поймет пользователя с полуслова и точно найдет то, что просит человек
Кому рекомендуем курс
Разработчикам, работающим в кросс-функциональных командах вместе с data scientist’ами. На курсе мы даем специфику разработки ML-моделей, а с этими знаниями общаться с коллегами получается эффективнее и продуктивнее
Курс рассчитан на студентов, уже знакомых с Python. Знания линейной алгебры, теории вероятностей и математической статистики будет плюсом
У вас есть опыт работы на позициях разработчика, software engineer, data engineer, devops engineer на уровне middle
Профессия востребована во многих сферах
Электронная коммерция, банковский сектор, промышленный сектор
Спрос на Data Scientist и зарплаты на этом рынке растут
Потому что все больше компаний внедряют машинное обучение в свои производственные процессы
С развитием ML больше нет необходимости детально изучать систему и происходящие в ней процессы, вручную прописывать код поведения систем.
Всю таинственную магию оптимизации ML сделает за вас. Достаточно задать на входе примеры, а на выход — задать желаемое поведение системы для таких примеров.
Data Scientist —
это профессия будущего
это профессия будущего
На курсе мы разбираем
Основные библиотеки для анализа данных: jupyterlab, numpy, scipy, pandas, matplotlib
Применение машинного обучения в бизнес-задачах
Базовые подходы для построения нейронных сетей, фреймворк PyTorch для написаний нейронных сетей
Основные алгоритмы и понятия классического машинного обучения
Даем знания и практику, с которыми можно перейти на позицию Data scientist уровня junior в крупную технологическую компанию
Владимир Бугаевский
Иван Аникин
Team Lead СберМаркет
Team Lead Yandex.Edadeal
- Опыт в индустрии: 6+ лет
- Суммарный опыт в области DS более 6 лет
Спикеры
- Отвечал за разработку и запуск ML-проектов в Yandex, Sber, SberDevices, Лента
- Консультировал стартапы и крупные компании по разработке и использованию ML-based-сервисов
- До этого разрабатывал рекомендательную систему VK Пульс
- Сейчас руководит командой Поиска в СберМаркете
- Преподаватель курсов по ML и Python в МГУ, ВШЭ, VK Образование, OzonMasters, AI Masters
96
часов
5
онлайн-встреч
1 установочная
5-7
3 AMA (раз в месяц)
1 финальная встреча
часов в неделю
2-3 часа изучение теории по модулю
3-4 часа на практику
общая продолжительность курса
Программа
1.1. Введение. Структура курса
1.2. Цикл разработки модели
1.3. Специалисты (виды профессий) в сфере анализа данных
1.4. Настройка рабочего окружения
1.5. Библиотека NumPy
1.6. Библиотека Pandas
1.2. Цикл разработки модели
1.3. Специалисты (виды профессий) в сфере анализа данных
1.4. Настройка рабочего окружения
1.5. Библиотека NumPy
1.6. Библиотека Pandas
2.1. Введение
2.2. Качество данных и типы данных
2.3. Приемы анализа данных - сводные показатели
2.4. Приемы анализа данных - визуализация
2.5. Итоги темы
2.2. Качество данных и типы данных
2.3. Приемы анализа данных - сводные показатели
2.4. Приемы анализа данных - визуализация
2.5. Итоги темы
3.1. Введение
3.2. Постановка задачи машинного обучения
3.3. Алгоритм k-ближайших соседей
3.4. Взвешенный алгоритм k-ближайших соседей
3.5. Виды расстояний
3.6. Проблемы метода k-ближайших соседей
3.7. Оценка качества ML модели и выбор гиперпараметров
3.8. Практика
3.9. Итоги
3.2. Постановка задачи машинного обучения
3.3. Алгоритм k-ближайших соседей
3.4. Взвешенный алгоритм k-ближайших соседей
3.5. Виды расстояний
3.6. Проблемы метода k-ближайших соседей
3.7. Оценка качества ML модели и выбор гиперпараметров
3.8. Практика
3.9. Итоги
4.1. Введение
4.2. Model validation
4.3. Data preprocessing
4.4. Итоги темы
4.2. Model validation
4.3. Data preprocessing
4.4. Итоги темы
5.1. Введение
5.2. Линейная регрессия
5.3. Алгоритм стохастического градиентного спуска
5.4. Метрики качества регрессии
5.5. Регуляризация линейных моделей
5.6. Практика
5.7. Итоги
5.2. Линейная регрессия
5.3. Алгоритм стохастического градиентного спуска
5.4. Метрики качества регрессии
5.5. Регуляризация линейных моделей
5.6. Практика
5.7. Итоги
6.1. Введение
6.2. Логистическая регрессия
6.3. Метрики качества классификации
6.4. Практическое занятие по решению задачи классификации с помощью лог. рег.
6.5. Итоги
6.2. Логистическая регрессия
6.3. Метрики качества классификации
6.4. Практическое занятие по решению задачи классификации с помощью лог. рег.
6.5. Итоги
7.1. Введение
7.2. Деревья решений
7.3. Ансамблирование алгоритмов
7.4. Случайный лес (random forest)
7.5. Бустинг. AdaBoost
7.6. Градиентный бустинг, catboost/xgboost/lightgbm
7.7. Практическое занятие по использованию деревьев решений и ансамблей над ними
7.8. Итоги
7.2. Деревья решений
7.3. Ансамблирование алгоритмов
7.4. Случайный лес (random forest)
7.5. Бустинг. AdaBoost
7.6. Градиентный бустинг, catboost/xgboost/lightgbm
7.7. Практическое занятие по использованию деревьев решений и ансамблей над ними
7.8. Итоги
8.1. Введение
8.2. Задача кластеризации
8.3. Быстрый поиск ближайших соседей
8.4. Задача понижения размерности
8.5. Практика
8.2. Задача кластеризации
8.3. Быстрый поиск ближайших соседей
8.4. Задача понижения размерности
8.5. Практика
9.1. Введение
9.2. Feature engineering
9.3. Оптимизация гиперпараметров. Алгоритмы ML как гиперпараметры ML пайплайна
9.4. Библиотеки для оптимизации гиперпараметров
9.5. Практическое занятие по использованию деревьев решений и ансамблей над ними
9.6. Итоги
9.2. Feature engineering
9.3. Оптимизация гиперпараметров. Алгоритмы ML как гиперпараметры ML пайплайна
9.4. Библиотеки для оптимизации гиперпараметров
9.5. Практическое занятие по использованию деревьев решений и ансамблей над ними
9.6. Итоги
Дополнительные модули
1.1. Введение
1.2. Перцептрон. Функции активации. Многослойный перцептрон
1.3. Обучение нейронных сетей. Оптимизаторы
1.4. Линейная/логистическая регрессия как простейшая нейросеть
1.5. Машинное представление изображения. Свертка. Фильтр
1.6. Сверточная нейронная сеть. Паддинг (padding), Страйд (stride), Рецептивное поле (receptive field)
1.7. Imagenet. Alexnet, VGG
1.8. Глубокие сверточные сети. ResNet
1.9. Эффективные свертки. Inception
1.10. Neural architecture search. EfficientNet
1.11. Итоги
2.1. Введение
2.2. Примеры задач, решаемые NLP подходами
2.3. Предобработка текстов
2.4. Bag-of-words и TF-IDF
2.5. Word2Vec и FastText
2.6. Языковые модели: применение рекуррентных нейронных сетей
2.7. Большие языковые модели
2.8. Transfer Learning при работе с текстами
2.9. Практика
2.10. Итоги
2.2. Примеры задач, решаемые NLP подходами
2.3. Предобработка текстов
2.4. Bag-of-words и TF-IDF
2.5. Word2Vec и FastText
2.6. Языковые модели: применение рекуррентных нейронных сетей
2.7. Большие языковые модели
2.8. Transfer Learning при работе с текстами
2.9. Практика
2.10. Итоги
3.1. Введение
3.2. Примеры рекомендательных систем
3.3. Постановка задач рекомендательных систем
3.4. Коллаборативная фильтрация. Memory based подход
3.5. Коллаборативная фильтрация. Матричные факторизация
3.6. Коллаборативная фильтрация. Линейные модели
3.7. Коллаборативная фильтрация. Нейросетевые модели
3.8. Итоги
3.2. Примеры рекомендательных систем
3.3. Постановка задач рекомендательных систем
3.4. Коллаборативная фильтрация. Memory based подход
3.5. Коллаборативная фильтрация. Матричные факторизация
3.6. Коллаборативная фильтрация. Линейные модели
3.7. Коллаборативная фильтрация. Нейросетевые модели
3.8. Итоги
4.1. Введение
4.2. ML System Design - что это и отличия от System Design
4.3. Фреймворк дизайна ML системы
4.4. Пример дизайна - прогноз спроса
4.5. Пример дизайна - оптимизация маркетинга
4.6. Пример дизайна - подбор рекламы
4.7. Итоги
4.2. ML System Design - что это и отличия от System Design
4.3. Фреймворк дизайна ML системы
4.4. Пример дизайна - прогноз спроса
4.5. Пример дизайна - оптимизация маркетинга
4.6. Пример дизайна - подбор рекламы
4.7. Итоги
Какие инструменты освоите?
KNN
Pandas
Catboost
Linear Regression
Numpy
Hyperopt
Logistic Regression
Matplotlib
Scikit-learn
Clusterization
Xgboost
Lightgbm
Decision Tree
Библиотеки
Gradient Boosting
Алгоритмы
- Кто такой Data Scientist?
- Кто такой ML-инженер?
Кто такой Data Scientist, и чем он занимается?
Data Scientist — это специалист в области ML, который умеет создавать модели машинного обучения. Публикуем записи с вебинара Слёрм, где даем подробное разъяснение по направлению.
Почему наш курс?
Глубоко разбираем как работают алгоритмы машинного обучения и нюансы их применения на практике
Копаем глубже: мы даем практику и домашние задания, которые позволяют самостоятельно разобраться в теме и наработать опыт ещё до завершения занятий
Даем такой объем материала и заданий, что по окончании курса студент сможет претендовать на должность junior data scientist
30% – теория,
70% – практика:
есть и промежуточные задания, и финальный проект. По заданиям и проектам даем глубокую обратную связь-ревью
70% – практика:
есть и промежуточные задания, и финальный проект. По заданиям и проектам даем глубокую обратную связь-ревью
Поддержка от спикеров в чате студентов, AMA-сессии по итогам модулей
Вся работа проверяется и валидируется специалистами Слёрм. По итогам дадим именной сертификат, если вы выполните от 80% заданий.
Сертификат
Начать учиться
Идёт набор
Билет на поток Data Scientist
80 000 ₽
Рассрочка для физлиц
Видеоуроки, доступ 2 года
Практические задания
Стенды для практики
Сертификация
Встречи со спикерами
Занять место на поток курса Data Scientist
Отправляя форму, я соглашаюсь с Политикой Конфиденциальности Слёрм и предоставляю Согласие на обработку персональных данных и аудио- и видеорелиз
Оставить заявку на оплату от юрлица
Мы свяжемся с вами, ответим на вопросы и вышлем документы
Отправляя форму, я соглашаюсь с Политикой Конфиденциальности Слёрм и предоставляю Согласие на обработку персональных данных и аудио- и видеорелиз
Дарим студентам фирменные толстовки
Вы можете их задать директору курса Наталье Чайковской
Остались вопросы?