[OTUS] Machine learning [2020] [Дмитрий Сергеев]

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 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