Aноним
- #1
[OTUS] Machine learning [2020] [Дмитрий Сергеев]
- Ссылка на картинку
За 5 месяцев мы последовательно познакомимся с современными методами анализа данных.
Курс позволит не просто поверхностно изучить принципы работы алгоритмов машинного обучения, а на профессиональном уровне освоить и применять в работе все этапы работы с данными, понимая, как, когда и зачем они используются.
Что даст вам этот курс
Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену.
Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.
Карта курсов направления Data Science в OTUS
Проекты для портфолио
В течение курса вы выполните несколько проектов для портфолио и научитесь грамотно презентовать результаты своих работ, чтобы проходить собеседования. Для выпускного проекта вы можете взять один из предложенных преподавателем вариантов или реализовать свою идею.
Для кого этот курс?
Для обучения вам понадобится опыт Python на уровне написания собственных функций, а также знание мат.анализа, линейной алгебры, теории вероятностей и мат. статистики.
Сравнение с курсом Machine Learning. Advanced
Особенности курса
Best Practices и тренды. Каждый запуск программа обновляется с учетом быстро меняющихся тенденций в Data Science. После обучения вы сразу сможете приступить к работе в реальных проектах.
Важные второстепенные навыки. В курс входят темы, которые обычно упускаются из внимания, но необходимы специалисту в повседневных задачах и очень ценятся работодателями: — построение систем для автоматического поиска аномалий;— прогнозирования временных рядов при помощи машинного обучения;— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production.
Творческая атмосфера и условия, близкие к реальным рабочим процессам. Весь курс построен как симулятор рабочих будней дата сайентиста, где вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели в продакшн. В этом деле вам понадобятся любопытство, упорство и жажда нового опыта.
Модуль 1Основные методы машинного обучения
Тема 1. Введение в машинное обучение
Тема 2. Базовые инструменты анализа данных в Python
Тема 3. Exploratory Data Analysis and Preprocessing
Тема 4. Задача классификации. Метод ближайших соседей (kNN)
Тема 5. Задача регрессии. Линейная регрессия
Тема 6. Логистическая регрессия
Тема 7. Feature engineering & advanced preprocessing
Тема 8. АБ тестирование
Тема 9. Практическое занятие по темам, изученным в первом модуле
Модуль 2 Продвинутые методы машинного обучения
C 12 января
Тема 10. Python для ML: пайплайны, ускорение pandas, мультипроцессинг
Тема 11. Метод опорных векторов
Тема 12. Деревья решений
Тема 13. Ансамбли моделей
Тема 14. Градиентный бустинг
Тема 15. Обучение без учителя. K-means, EM алгоритм
Тема 16. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 17. Методы уменьшения размерности
Тема 18. Поиск аномалий в данных
Тема 19. Алгоритмы на графах
Модуль 3 Сбор данных. Анализ текстовых данных.
Тема 20. Сбор данных
Тема 21. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 22. Анализ текстовых данных. Часть 2: Тематическое моделирование
Тема 23. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 24. Анализ текстовых данных. Часть 4: Векторные представления слов, работа с предобученными эмбеддингами
Модуль 4 Анализ Временных рядов
Тема 25. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 26. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 27. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
Модуль 5 Рекомендательные системы
Тема 28. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 29. Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 30. Рекомендательные системы. Часть 3: Implicit feedback (извлекаем предпочтения из поведения пользователя)
Тема 31. Практическое занятие по рекомендательным системам. Surpsise
Модуль 6 Подготовка к соревнованиям Kaggle
Тема 32. Тренировка по ML №1
Тема 33. Тренировка по ML №2
Модуль 7 Проектная работа
Тема 34. Консультация по проектам и домашним заданиям
Тема 35. Бонус: поиск Data Science работы
Тема 36. Защита проектных работ
т
Курс позволит не просто поверхностно изучить принципы работы алгоритмов машинного обучения, а на профессиональном уровне освоить и применять в работе все этапы работы с данными, понимая, как, когда и зачем они используются.
Что даст вам этот курс
Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену.
Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.
Карта курсов направления Data Science в OTUS
Проекты для портфолио
В течение курса вы выполните несколько проектов для портфолио и научитесь грамотно презентовать результаты своих работ, чтобы проходить собеседования. Для выпускного проекта вы можете взять один из предложенных преподавателем вариантов или реализовать свою идею.
Для кого этот курс?
- Для начинающих аналитиков и Data Scientist’s. Курс поможет вам систематизировать и углубить свои знания. Вы сможете поэкспериментировать с подходами, разобрать рабочие кейсы и получить качественную обратную связь от экспертов.
- Для разработчиков и специалистов других направлений, желающих сменить профессию и развиваться в области Data Science. Курс даст вам возможность собрать сильное портфолио и погрузиться в атмосферу реальных задач дата сайентиста.
Для обучения вам понадобится опыт Python на уровне написания собственных функций, а также знание мат.анализа, линейной алгебры, теории вероятностей и мат. статистики.
Сравнение с курсом Machine Learning. Advanced
Особенности курса
Best Practices и тренды. Каждый запуск программа обновляется с учетом быстро меняющихся тенденций в Data Science. После обучения вы сразу сможете приступить к работе в реальных проектах.
Важные второстепенные навыки. В курс входят темы, которые обычно упускаются из внимания, но необходимы специалисту в повседневных задачах и очень ценятся работодателями: — построение систем для автоматического поиска аномалий;— прогнозирования временных рядов при помощи машинного обучения;— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production.
Творческая атмосфера и условия, близкие к реальным рабочим процессам. Весь курс построен как симулятор рабочих будней дата сайентиста, где вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели в продакшн. В этом деле вам понадобятся любопытство, упорство и жажда нового опыта.
Модуль 1Основные методы машинного обучения
Тема 1. Введение в машинное обучение
Тема 2. Базовые инструменты анализа данных в Python
Тема 3. Exploratory Data Analysis and Preprocessing
Тема 4. Задача классификации. Метод ближайших соседей (kNN)
Тема 5. Задача регрессии. Линейная регрессия
Тема 6. Логистическая регрессия
Тема 7. Feature engineering & advanced preprocessing
Тема 8. АБ тестирование
Тема 9. Практическое занятие по темам, изученным в первом модуле
Модуль 2 Продвинутые методы машинного обучения
C 12 января
Тема 10. Python для ML: пайплайны, ускорение pandas, мультипроцессинг
Тема 11. Метод опорных векторов
Тема 12. Деревья решений
Тема 13. Ансамбли моделей
Тема 14. Градиентный бустинг
Тема 15. Обучение без учителя. K-means, EM алгоритм
Тема 16. Обучение без учителя. Иерархическая кластеризация. DB-Scan
Тема 17. Методы уменьшения размерности
Тема 18. Поиск аномалий в данных
Тема 19. Алгоритмы на графах
Модуль 3 Сбор данных. Анализ текстовых данных.
Тема 20. Сбор данных
Тема 21. Анализ текстовых данных. Часть 1: Предобработка и токенизация
Тема 22. Анализ текстовых данных. Часть 2: Тематическое моделирование
Тема 23. Анализ текстовых данных. Часть 3: Named Entity Recognition
Тема 24. Анализ текстовых данных. Часть 4: Векторные представления слов, работа с предобученными эмбеддингами
Модуль 4 Анализ Временных рядов
Тема 25. Анализ временных рядов. Часть 1: Постановка задачи, простейшие методы. ARIMA-модель
Тема 26. Анализ временных рядов. Часть 2: Извлечение признаков и применение моделей машинного обучения. Автоматическое прогнозирование
Тема 27. Анализ временных рядов Часть 3: Кластеризация временных рядов (ищем связанные котировки акций)
Модуль 5 Рекомендательные системы
Тема 28. Рекомендательные системы. Часть 1: Постановка задачи, метрики качества. Коллаборативная фильтрация. Холодный старт
Тема 29. Рекомендательные системы. Часть 2: Контентная фильтрация, гибридные подходы. Ассоциативные правила
Тема 30. Рекомендательные системы. Часть 3: Implicit feedback (извлекаем предпочтения из поведения пользователя)
Тема 31. Практическое занятие по рекомендательным системам. Surpsise
Модуль 6 Подготовка к соревнованиям Kaggle
Тема 32. Тренировка по ML №1
Тема 33. Тренировка по ML №2
Модуль 7 Проектная работа
Тема 34. Консультация по проектам и домашним заданиям
Тема 35. Бонус: поиск Data Science работы
Тема 36. Защита проектных работ
т
Стоимость обучения
42 000 ₽
60 000 ₽
Отзыв:
- Сергей Новожилов
Учусь в Otus на курсе ML Advanced, доволен очень.
Преподают из всех уголков мира, по Zoom, вроде привык уже к удалёнке, но всё равно поражает.
- По-настоящему классные специалисты.
- Цена курсов разумная. Я когда покупал первый раз, долго и недоверчиво выяснял, как, если что не так, вернуть деньги. На мой взгляд, Отусу было бы выгодно поагрессивнее записывать на курс, потом, после 3-го занятия, скажем, решать вопрос с оплатой, а то на покупку кота в мешке 50к многие не решатся выложить. Сейчас не жалею, буду еще брать курсы у них.
Из пожеланий:
- получше с записью вебинаров разобраться, чтобы технических сбоев было поменьше, корпоративный Zoom это вроде позволяет
Показать больше
Зарегистрируйтесь
, чтобы посмотреть контент.