Курс «Курс по машинному обучению»
Компания: Skillfactory (Скиллфактори)
рейтинг:
Язык:
Актуальная программа курса (21 модулей, по данным школы)
- ML-PRO-1 Введение в машинное обучение
- ML-PRO-2 Методы предобработки данных
- ML-PRO-3 Регрессия
- ML-PRO-4 Кластеризация
- ML-PRO-5 Tree-based алгоритмы: введение в деревья
- ML-PRO-6 Tree-based алгоритмы: ансамбли
- ML-PRO-7 Оценка качества алгоритмов
- ML-PRO-8 Временные ряды в машинном обучении
- ML-PRO-9 Рекомендательные системы
- ML-PRO-10 Финальный хакатон
- DL-1 Введение в искусственные нейронные сети
- DL-2 Фреймворки для глубокого обучения (TensorFlow, Keras)
- DL-3 Сверточные нейронные сети
- DL-4 Оптимизация нейронной сети
- DL-5 Transfer learning Fine-tuning
- DL-6 Сегментация изображений
- DL-7 Детектирование объектов
- DL-8 Введение в NLP и Word Embeddings
- DL-9 Рекуррентные нейронные сети
- DL-10 Reinforcement Learning (обучение с подкреплением)
- DL-11 What's next?
Кем вы сможете работать
Сколько зарабатывают в профессии (медиана hh.ru, по 135 вакансиям)
Окупаемость: стоимость курса ≈ 1 мес зарплаты junior-специалиста.
Сравнение с похожими курсами других школ
| Курс | Школа | Цена | Срок | Рейтинг | Диплом | |
|---|---|---|---|---|---|---|
| Курс по машинному обучению (этот) | Skillfactory (Скиллфактори) | 3 месяца | 4.5 | — | — | |
| Профессия Data Analyst | Skillbox (Скиллбокс) | 24 месяца | 5.0 | — | Перейти | |
| Специалист по data science | Яндекс Практикум | 112 000 ₽ | 8 месяцев | 4.6 | Диплом о проф. переподготовке | Перейти |
| Machine Learning. Professional | OTUS (Отус) | 5 месяцев | 2.5 | — | Перейти |
Стоит ли идти на этот курс
Плюсы
- Прикладные задачи внутри программы: кредитный скоринг, рекомендательные системы, работа с временными рядами — не учебные примеры, а типовые кейсы реального Data Science.
- Стек актуальный: TensorFlow, Keras, tree-based ансамбли, feature engineering — то, что встречается в вакансиях уровня middle.
- 90 дней — достаточно, чтобы понять, ваш ли это трек, не сжигая полгода жизни. Финальный хакатон даёт ощутимый результат для портфолио.
- Возможность стажировки в EORA для лучших выпускников — один из немногих курсов, где есть реальный шанс на первый строчку в резюме, а не просто сертификат.
Минусы и кому не стоит
- Старт с нуля за три месяца до middle — амбициозно. Без дисциплины и нескольких часов в день темп вывезти трудно, доучиваются до конца единицы из тех, кто заходит без базы и без цели.
- Стажировка — только для лучших студентов, не гарантирована всем. Рассчитывать на трудоустройство как на условие контракта не стоит — данных об этом нет.
- Цена за три месяца ощутимая. Считайте честно: если цель — сменить трек, это инвестиция с горизонтом; если просто «попробовать» — риск велик.
Когда этот курс вам не нужен
Курс не для тех, кто хочет «просто попробовать» без конкретного плана: темп рассчитан на людей с целью, а не на ознакомление. Не подойдёт, если нет возможности выделять несколько часов в день — программа не терпит пропусков. И не стоит идти сюда с расчётом на гарантированную стажировку: она достаётся только лучшим выпускникам, и заранее предсказать попадание в эту группу невозможно.
Как выбрать курс по этому направлению
Выбирая курс по ML, смотрите не на обещания, а на программу: есть ли в ней реальные прикладные задачи — кредитный скоринг, построение рекомендательной системы, работа с временными рядами — или только обзорные «введения». Проверьте стек: TensorFlow, Keras, feature engineering — это то, что спрашивают на собеседованиях. Важен и формат завершения: хакатон или просто тест? Хакатон — сигнал, что школа рассчитывает на реальный результат, а не на галочку. Отдельно уточните условия стажировки: кто именно её получает и на каких условиях, потому что «лучшие студенты» — размытая планка.
Частые вопросы
Можно ли пройти курс полностью с нуля, без опыта в программировании?
Курс заявлен как старт с нуля, и Python разбирают с основ. Но машинное обучение — направление с математической нагрузкой: статистика и линейная алгебра появятся уже в первых модулях. Мой совет: до оплаты запросите у Skillfactory программу первого модуля и честно оцените, понятен ли вам язык задач.
Сколько времени в день нужно уделять учёбе?
Точных данных от школы нет. Но 12 модулей за 90 дней — это плотный темп. По моим наблюдениям за подобными программами, меньше двух-трёх часов в день не обходится — иначе либо растянете, либо бросите на середине.
Какой документ об окончании выдают?
В описании курса этих данных нет. Если сертификат важен для резюме или нужен работодателю — узнайте у Skillfactory напрямую перед оплатой: это один из тех вопросов, который лучше закрыть заранее.
Гарантировано ли трудоустройство после курса?
Нет. Лучшие студенты получают возможность стажировки в EORA — это реальный бонус, но не гарантия для каждого. Я бы строил план иначе: курс берёте ради навыков, а поиск работы ведёте параллельно с последних модулей.
Чем этот курс отличается от других курсов по ML?
По программе — прикладные проекты: кредитный скоринг, рекомендательная система, временные ряды. Это не пересказ учебника. Плюс финальный хакатон — редкость среди трёхмесячных курсов. Но большинство курсов на рынке обещает то же самое: проверяйте не слова, а конкретные задачи в программе.
Стоит ли курс своих денег?
Считайте по-простому: 63 000 ₽ против реальной разницы в зарплате Data Scientist в вашем секторе через год. Если разница больше — сходится. Если берёте курс без конкретной цели сменить трек — скорее всего, не окупится.
Длительность курса
90 дней
Формат обучения
видеолекции и практические задания 6-8 часов в неделю
Обратная связь
Помощь одногруппников и преподавателя в закрытом сообществе в Slack.
Теория и практика
20% теории и 80% практики на реальных данных 10 теоретических модулей более 500 упражнений
Чему научитесь
- Разбираться в принципах математических алгоритмов, современных библиотек, feature engineerig и оценки моделей
- Использовать возможности машинного обучения в своей работе или бизнесе
- Оптимизировать модели линейной и логистической регрессии
- Собирать Git-репозиторий
- Обучать решающее дерево для задачи регрессии, линейную модель и использование XGBoost для анализа временных рядов, рекомендательную систему
прямо сейчас!
О курсе
О курсе
Навыки, которые вы получите
Преподаватели курса
Отзывы
Правда все материалы "Введения" есть в курсе "Практический Machine Learning", так что если есть твердое желание начать постигать основы data science, то лучше сразу выбирать курс "Практический Machine Learning".
Сейчас прохожу курс по "Deep Learning и Нейронные сети". Для людей без математической подготовки он может показаться очень сложным в плане теории, а так чрезвычайно полезный курс, чтобы уже действительно глубоко и вдумчиво копать в сторону решения сложных практических задач
Упор на практику на деле оказался синонимом крайне поверхностного разбора материала. Лекторы как будто боятся объяснять что-то сложнее, чем может переварить среднестатистический слушатель - уровень объяснения методов и алгоритмов примерно как в научпоп-видео для школьников. Практические задания под стать: самый частый формат - подставить одну-две переменные в готовый код и запустить, или написать одну строчку импорта нужной библиотеки. Никакого удовольствия от решения нет, чувствуешь себя обезьяной, которая просто повторила за лектором. Хакатоны из курса по машинному обучению немного выбиваются из этого ряда, но тоже с большой натяжкой. Был один реально пригодившийся навык - подключение к API Google Sheets для онлайн-отчетности, но такое гуглится за полчаса без всякого курса.
Когда говоришь об этом представителям школы, в ответ получаешь "это же для новичков". Но тогда объясните, почему бесплатные или в разы более дешевые курсы на Stepik и Coursera для тех же новичков дают и куда более детальную теорию, и задачи с нарастающей сложностью - после которых реально ощущаешь, что усвоил что-то новое?
Моя компания заплатила за это около 40 тысяч рублей. Будь курсы бесплатными или хотя бы раз в десять дешевле - сказал бы "ну, норм". За эти деньги то, что дается - это откровенное несоответствие цены и качества. Ценовая политика понятна: при таком качестве никто не купит второй курс, значит нужно выжать максимум из первой продажи, которую обеспечивает агрессивный маркетинг. Не рекомендую.
В жатые сроки подан интересный и практически полезный материал
Недостатки:
1. Главы о глубоком обучении имеют ссылки на другой курс 2. DL конечно можно было-бы раскрыть чуть поглубже
Добрый ден. Пару недель назад успешно закончил курс "Практический Machine Learning" ( SkillFactory )
Прежде всего, оставляя отзыв, следует сказать о целях, которые я преследовал, поступая на курс.
Т. е. в данном случае, я действовал по системе ХТПК "Хватит Теории, Покажите мне Код"
И по моему мнению этот курс 100% подошел мне.
Немного теории о том как устроена модель, затем когда и как ее применять, пару соревнований
в общем расставили все на места в моей голове и теперь я могу продолжить грызть гранит науки, но в тоже время
могу работать над POC с проектами ML.
Кому я рекомендую этот курс? Прежде всего программистам, знающим Java, C/C++ ( идеально Python )
желающим узнать "Как Это Устроено" и попробовать это самому.
Думаю курс не подойдет абсолютным новичкам в программировании, т. к. код прийдется писать, а изучать
программирование и ML вместе сложновато.
Подведя итоги - это прекрасный общий курс с уклоном в практику
Преподаватель разбирается в предмете, разжёвывает подробно все модели, которые изучаются. Даёт полезное д/з и прикладывает ipynb каждой сессии (очень полезно). Сложность достаточная, чтобы действительно чему-то научиться, но не смертельная. До курса и параллельно с ним читал ещё учебник и смотрел видео, но без практики на курсе было бы не так полезно.
Преподаватели нареканий не вызвали - практики, а не люди из вузов, которые учат по учебникам. Объясняли понятно, без лишней теории, которая специалисту моего уровня ни к чему. Программа охватывала много: стартовали с Python, дошли до реального применения ML. По ходу разбирали алгоритмы, учились их классифицировать, работать с данными, подбирать модели под задачи. Сложно, но не скучно.
Формат очный, мне это подходит. Стандартная схема: лекция с презентацией, потом практика. Работали на своих ноутах с Python - если не стоял, помогали поставить. Были и групповые задачи, для удаленного взаимодействия использовали Slack, домашние задания делал самостоятельно.
В итоге умею решать реальные бизнес-задачи с помощью машинного обучения - это факт. Но удовольствие от цены в 44 тысячи сомнительное.
P.S. На работу без хорошей мат. теории (статистика/тер.вер.) Вы не устроитесь, специалисты с профильным образованием из ВШЭ, Физтеха или ШАД имеют более глубокое понимание и подготовку. Однако освоить теорию после погружения в практику ML не составит труда выпускнику/учащемуся технического ВУЗа.
На курсе сильное взаимодействие, как с преподавателями, так и с другими слушателями. Очень понравились групповые задания-соревнования и финальный хакатон. Было классно. Такой подход к подаче материала нравится. Т.к. в случае с Python'ом practice makes perfect.
Касательно минусов лично для меня иногда было ну очень много теории. Конечно, без нее никак.Но теорию можно и дома почитать или посмотреть лекцию с "говорящей головой". Хотелось бы курсу пожелать побольше практических занятиях "в классе".
Некоторые домашние задания как по мне были сложны и за один присест из было не сделать. Но опять же, это для кого-то минус, а для кого-то плюс. По сути Д/З мотивирует самому включаться и разбираться. И даже подключать других.
Большой плюс, что уроки вели эксперты из этой области, что позволило избежать ненужную воду, рассказывали все по делу и без лишних тонкостей, которые никому не пригодятся на деле. В целом курсом доволен, но все же считаю. что цена за 6 недель высоковата даже с учетом скидки.



