Курс: Machine Learning
Что даст вам этот курс
Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами.
Вы расширите свой набор доступных для работы инструментов. При этом даже для таких тем, как Байесовские методы и обучение с подкреплением, которые обычно преподаются исключительно в виде теории, мы подобрали реальные рабочие кейсы из наших практик.
Отдельный модуль посвящен работе в production: настройке окружения, оптимизации кода, построению end-to-end пайплайнов и внедрению решений.
Карта курсов направления Data Science в OTUS
Особенный подход к практическим занятиям
Почти каждый такой вебинар проходит в формате Live coding, где преподаватель начинает с «чистого листа» — пустого Jupyter ноутбука, имея на руках лишь задачу и набор данных. Мы программируем, ошибаемся, обсуждаем, исправляем ошибки и получаем решение с нуля, чтобы вы видели реальный процесс работы с данными, а не стерильные готовые ноутбуки.
Разносторонние проектные задания
В течение курса вы выполните несколько практических заданий для закрепления навыков по пройденным темам. Каждое такое задание представляет собой практический проект по анализу данных, который решает конкретную прикладную задачу машинного обучения.
Для кого этот курс?
Для аналитиков, программистов и дата сайентистов, практикующих машинное обучение. Курс поможет расширить свои возможности и продвинуться дальше по карьерному пути.
Сравнение с курсом Machine Learning. Professional
После прохождения курса вы сможете:
Настраивать окружение и писать production код, готовый к внедрению
Работать с AutoML подходами и понимать ограничения в их применении
Понимать и уметь применять Байесовские методы и обучение с подкреплением для соответствующих задач
Решать нестандартные проблемы, возникающие в рекомендательных системах, временных рядах и графах
Необходимые знания
Python на уровне «писал свои небольшие проекты»
Знакомство с экосистемой для машинного обучения (pandas, numpy, sklearn)
Знание и понимание базовых принципов и алгоритмов машинного обучения
Знания математического анализа (вычисление производных сложных функций)
Знания линейной алгебры (матричные операции и собственные вектора)
Знания теории вероятностей и мат. статистики (понимание дисперсии, мат. ожидания, законы распределений).