Вы научитесь
Поток 2: 29 марта
анализировать и визуализировать большие объемы данных
80 000 ₽
сводить бизнес-задачу в задачу машинного обучения
работать с данными разных типов
30% теории. 70% практики.
4 месяца
Это курс об автоматизации. Вы узнаете, как научить компьютеры «думать» самостоятельно. Мы поможем уверенно стартовать в карьере в ML: вы сможете сделать итоговый проект на реальных данных.
идёт набор
Data Science:
Введение в машинное обучение
Вебинар
запись от 26 марта
Что может Data science: предсказываем стоимость рекламной кампании для сети магазинов
На вебинаре обсудили:
- Проведем разведывательный анализ данных.
- Выберем метрику качества для решения задачи.
- Построим решение с использованием ML.
- Опыт в индустрии: 6+ лет
Владимир Бугаевский
Спикер
Team Lead СберМаркет
Ждём разработчиков, дата-инженеров и всех остальных, кто хочет попробовать свои силы в Data science.
Наш кейс: сеть американских круглосуточных магазинов формата "у дома" Convenient Food Mart (около 325 магазинов) планирует провести маркетинговую кампанию товара. Какой бюджет заложить? Ответ подскажут цифры.
Регистрация
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
Создаст 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
Уже знакомы с Python и хотите освоить новое рабочее направление
Software Engineer, Data Engineer, DevOps Engineer на уровне Middle
На курсе мы даем специфику разработки ML-моделей, а с этими знаниями общаться с коллегами получается эффективнее и продуктивнее. Вы сможете внедрять новые решения и быть уверенными в том, что принесете прибыль проекту.
Data Scientist используют в своей работе библиотеки Python. Так что ваши умения пригодятся вам при переходе в новое направление. Знания линейной алгебры, теории вероятностей и математической статистики будет плюсом.
Вы сможете перейти в смежную профессиональную область и начать выполнять другие рабочие задачи. Ваш бэкграунд в дата-направлении поможет быстро перейти от уровня Junior Data Scientist до статуса продвинутого специалиста.
Начни учиться бесплатно
Познакомьтесь с материалами и спикерами курса. Демо-курс доступен 7 дней
Начать учиться бесплатно
На курсе мы разбираем
Основные библиотеки для анализа данных: 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 актуальные знания и мощную практику!
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
150
часов
5
онлайн-встреч
1 установочная
8-10
3 AMA-сессии
1 финальная встреча
часов в неделю
3-4 часа изучение теории по модулю
6-7 часа на практику
общая продолжительность курса
2 недели на сдачу домашней работы
Программа
1.1. Введение. Структура курса
1.2. Инструкции по работе с практическими заданиями
1.3. Цикл разработки модели и специалисты в сфере анализа данных
1.4. Настройка рабочего окружения
1.5. Библиотека NumPy
1.6. Библиотека Pandas
1.7. Итоги
1.2. Инструкции по работе с практическими заданиями
1.3. Цикл разработки модели и специалисты в сфере анализа данных
1.4. Настройка рабочего окружения
1.5. Библиотека NumPy
1.6. Библиотека Pandas
1.7. Итоги
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
2.6. Практика
2.2. Качество данных и типы данных
2.3. Приемы анализа данных - сводные показатели
2.4. Приемы анализа данных - визуализация
2.5. Итоги
2.6. Практика
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 и проблемы метода k-ближайших соседей
3.6. Итоги
3.7. Практика
3.2. Постановка задачи машинного обучения
3.3. Алгоритм k-ближайших соседей
3.4. Взвешенный алгоритм k-ближайших соседей
3.5. Виды расстояний и проблемы метода k-ближайших соседей
3.6. Итоги
3.7. Практика
4.1. Введение
4.2. Валидация модели
4.3. Подготовка данных. Пропущенные значения
4.4. Подготовка данных. Категориальные признаки
4.5. Подготовка данных. Численные признаки
4.6. Итоги
4.7. Практика
4.2. Валидация модели
4.3. Подготовка данных. Пропущенные значения
4.4. Подготовка данных. Категориальные признаки
4.5. Подготовка данных. Численные признаки
4.6. Итоги
4.7. Практика
5.1. Введение
5.2. Линейная регрессия
5.3. Аналитическое решение
5.4. Алгоритм градиентного спуска
5.5. Регуляризация линейных моделей
5.6. Метрики качества регрессии
5.7. Итоги
5.8. Практика
5.2. Линейная регрессия
5.3. Аналитическое решение
5.4. Алгоритм градиентного спуска
5.5. Регуляризация линейных моделей
5.6. Метрики качества регрессии
5.7. Итоги
5.8. Практика
6.1. Логистическая регрессия
6.2. Метрики качества классификации
6.3. Многоклассовая классификация
6.4. Итоги
6.5. Практика
6.2. Метрики качества классификации
6.3. Многоклассовая классификация
6.4. Итоги
6.5. Практика
7.1. Введение
7.2. Деревья решений
7.3. Ансамблирование алгоритмов. Bagging. Random Forest
7.4. Бустинг
7.5. Итоги
7.6. Практика
7.2. Деревья решений
7.3. Ансамблирование алгоритмов. Bagging. Random Forest
7.4. Бустинг
7.5. Итоги
7.6. Практика
8.1. Задача кластеризации
8.2. Задача понижения размерности
8.3. Быстрый поиск ближайших соседей
8.4. Итоги
8.5. Практика
8.2. Задача понижения размерности
8.3. Быстрый поиск ближайших соседей
8.4. Итоги
8.5. Практика
9.1. Введение
9.2.Target encoding
9.3. Метамодели
9.4. Оптимизация гиперпараметров
9.5. ML Pipeline
9.6. Итоги
9.7. Практика
9.2.Target encoding
9.3. Метамодели
9.4. Оптимизация гиперпараметров
9.5. ML Pipeline
9.6. Итоги
9.7. Практика
10.1. Введение
10.2. Задание
10.3 Защита проектов
10.2. Задание
10.3 Защита проектов
Дополнительные модули
11.1. Введение
11.2. Deep Learning. Математическая модель нейрона. Нейронная сеть
11.3. Обучение нейронных сетей. Оптимизаторы.
11.4. Нейронные сети на PyTorch
11.5. Computer vision. Машинное представление изображения. Операции с изображениями
11.6. Сверточная нейронная сеть (CNN)
11.7. Imagenet. Alexnet, VGG.
11.8. Глубокие сверточные сети, ResNet. Эффективные свертки, Inception
11.9. Сверточные нейронные сети в PyTorch. Transfer learning & fine-tuning
11.10. Итоги
11.2. Deep Learning. Математическая модель нейрона. Нейронная сеть
11.3. Обучение нейронных сетей. Оптимизаторы.
11.4. Нейронные сети на PyTorch
11.5. Computer vision. Машинное представление изображения. Операции с изображениями
11.6. Сверточная нейронная сеть (CNN)
11.7. Imagenet. Alexnet, VGG.
11.8. Глубокие сверточные сети, ResNet. Эффективные свертки, Inception
11.9. Сверточные нейронные сети в PyTorch. Transfer learning & fine-tuning
11.10. Итоги
12.1. Примеры задач, решаемые NLP подходами
12.2. Классические методы NLP
12.3. Предобработка текстов
12.4. Word2Vec и FastText
12.5. Языковые модели
12.6. Машинный перевод
12.7. Transfer Learning при работе с текстами
12.8. Классификация текстов
12.9. Итоги
12.2. Классические методы NLP
12.3. Предобработка текстов
12.4. Word2Vec и FastText
12.5. Языковые модели
12.6. Машинный перевод
12.7. Transfer Learning при работе с текстами
12.8. Классификация текстов
12.9. Итоги
13.1. Введение
13.2. Примеры рекомендательных систем
13.3. Постановка задач рекомендательных систем
13.4. Коллаборативная фильтрация. Memory based подход
13.5. Коллаборативная фильтрация. Матричные факторизации
13.6. Коллаборативная фильтрация. Линейные модели
13.7. Коллаборативная фильтрация. Нейросетевые модели
13.8. Итоги
13.2. Примеры рекомендательных систем
13.3. Постановка задач рекомендательных систем
13.4. Коллаборативная фильтрация. Memory based подход
13.5. Коллаборативная фильтрация. Матричные факторизации
13.6. Коллаборативная фильтрация. Линейные модели
13.7. Коллаборативная фильтрация. Нейросетевые модели
13.8. Итоги
14.1. Введение
14.2. ML-проект
14.3. ML System Design
14.4. Пример дизайна - оптимизация маркетинга
14.5. Пример дизайна - прогноз спроса
14.6. Итоги
14.2. ML-проект
14.3. ML System Design
14.4. Пример дизайна - оптимизация маркетинга
14.5. Пример дизайна - прогноз спроса
14.6. Итоги
Какие инструменты освоите?
Pandas
Catboost
Numpy
Hyperopt
Matplotlib
Scikit-learn
Xgboost
Lightgbm
Библиотеки
KNN
Linear Regression
Logistic Regression
Clusterization
Decision Tree
Gradient Boosting
Алгоритмы
Скачать презентацию курса
- 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 сильный материал и задания, что после курса студент сможет претендовать на должность junior data scientist в крупной IT компании.
50 ч. – теория,
100 ч. – практика.
Есть и промежуточные задания, и финальный проект. По заданиям и проектам даем глубокую обратную связь-ревью.
100 ч. – 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 свидетельство о прохождении курса, а если выполните 80% заданий и защитите проект, то дополнительно получите номерной сертификат.
Сертификат
Рассрочка
только для физических лиц
Условия рассрочки:
Процесс оформления:
Занять место на поток курса Data Scientist
Оставить заявку на оплату от юрлица
Мы свяжемся с вами, ответим на вопросы и вышлем документы