Курс «Machine Learning. Professional»

Актуальная программа курса (49 модулей, по данным школы)

1. Модуль 1. Продвинутые методы машинного обучения: обучение с учителем — Первый модуль познакомит вас с различными продвинутыми моделями машинного обучения для задач обучения с учителем (регрессия и классификация), начиная от классических методов деревьев решений и заканчивая продвинутыми методами градиентного бустинга.
2. • Программа курса. Повторение основных концепций машинного обучения на примере задачи регрессии
3. • Метод градиентного спуска
4. • Повторение основных понятий задачи классификации на практике: EDA, cross-validation, метрики качества
5. • Деревья решений
6. • Ансамбли моделей
7. • Градиентный бустинг
8. • Метод опорных векторов
9. Модуль 2. Продвинутые методы машинного обучения: обучение без учителя — Второй модуль посвящен алгоритмам для задачи обучения без учителя, в нем вы познакомитесь с различными способами кластеризации, такими как алгоритм k средних и DBSAN, методами снижения размерности и методами работы с новым типом данных - графами.
10. • Методы уменьшения размерности
11. • Обучение без учителя. K-means
12. • Обучение без учителя. Иерархическая кластеризация. DB-Scan
13. • Поиск аномалий в данных
14. • Практическое занятие - Построение end-to-end пайплайнов и сериализация моделей
15. • Алгоритмы на графах
16. • Алгоритмы на графах: продолжение
17. Модуль 3. Введение в Deep Learning — В этом модуле мы коснёмся методов Deep Learning и работы с нейронными сетями. Вы узнаете принципы работы и обучения нейронных сетей, а также освоите нейросетевые архитектуры для работы с изображениями (сверточные нейросети) и последовательностями (рекуррентные нейросети).
18. • Введение в нейросети
19. • PyTorch (часть 1)
20. • Продвинутые методы оптимизации, backpropagation и обучение нейронных сетей
21. • Борьба с переобучение нейросетей, взрыв и затухание градиентов
22. • PyTorch (часть 2)
23. • Сверточные сети (Convolutional Neural Networks)
24. • Рекуррентные сети
25. Модуль 4. Сбор данных. Анализ текстовых данных — В этом модуле вы научитесь работать с одним из самых распространенных типов данных - текстом. Мы разберём различные способы предобработки текста, которые позволяют использовать его в качестве признаков для моделей машинного обучения. Мы изучим такие полезные задачи, как тематическое моделирование, распознавание именованных сущностей (NER) и работу с векторными представлениями слов. Также вы научитесь заниматься парсингом данных, который позволит вам собирать и создавать свои собственные уникальные датасеты для анализа.

Кем вы сможете работать

Сколько зарабатывают в профессии (медиана hh.ru, по 135 вакансиям)

Сравнение с похожими курсами других школ

Стоит ли идти на этот курс

Когда этот курс вам не нужен

Уже работаете Senior Data Scientist или ML Engineer и регулярно выводите модели в продакшн? Программа скорее повторит знакомое: PyTorch, трансформеры, временные ряды на этом уровне уже пройдено. Не стоит брать и ради одной темы: если нужен только NLP или только блок по рекомендательным системам — пятимесячная программа за двести сорок шесть тысяч явный перебор. И наконец: если вы ещё не решили, нужен ли вам ML вообще, продвинутый курс — не место для проверки гипотезы.

Как выбрать курс по этому направлению

Продвинутый ML — узкая ниша: большинство программ застревают на линейных моделях и базовом sklearn и называют это «углублённым курсом». Первое, на что смотрю — конкретика стека: PyTorch, архитектуры трансформеров, работа с временными рядами в программе — честный сигнал глубины. Второе — есть ли проектная работа, и на каких данных: учебные датасеты из Kaggle не дают портфолио, реальные — дают. Третье — трудоустройство: у большинства школ это база резюме для партнёров, не рекрутинговое агентство; оценивайте трезво, что именно вам предлагают. По цене: за продвинутый уровень с охватом нескольких прикладных направлений сразу считайте просто — сопоставимый набор узких курсов по каждой теме отдельно часто выходит дороже или дольше.

Частые вопросы