О курсе
Наша цель – научить вас практическому применению Data Science и Машинного обучения. Поэтому мы сделали упор на практические навыки (естественно, не забывая о теории). Каждый преподаватель выступает в роли персонального тренера навыков Data Science и поддерживает на всех этапах курса.
Мы учим не только решать задачи, но и находить их в реальных проектах. Будет тяжело и больно, но вам понравится.
Для кого этот курс?
Курс подойдет разработчикам, аналитикам, техническим менеджерам и всем, кто не боится испачкать руки в программном коде.
Для старта на курсе кандидату необходимо знать математику на базовом уровне, владеть любым языком программирования или иметь базовые знания языка Python.
Типичная лекция
1. Подготовительный материал
За 3 дня до лекции вы получаете раздаточный материал в формате видео или PDF, чтобы технический и математический уровень студентов был одинаковый.
2. 3-х часовая лекция
После занятия мы присылаем видеозапись лекции. Если вы не можете физически присутствовать на занятии, подключайтесь к онлайн-трансляции.
3. Тест
После каждой лекции мы присылаем тест для проверки усвоения материала, поиска и устранения пробелов.
4. Домашняя работа
Выполнение домашних работ займёт минимум 8 часов в неделю.
И что на выходе?
- Научитесь видеть задачи машинного обучения, получите опыт их решения.
- Погрузитесь в область анализа данных.
- Познакомитесь с основными библиотеками, алгоритмами и подходами Data Science.
- Получите набор лекций и кода, к которым можно возвращаться в своей практике.
- Найдете новых знакомых и коллег по индустрии.
Спойлер: Программа курса
Разведочный анализ данных (EDA)
3 часа и 2 практических задания
- Введение в python
- Обработка табличных данных
- Визуализация данных
Введение в машинное обучение и анализ данных
3 часа и 1 практическое задание
- Основные направления машинного обучения
- Примеры применения машинного обучения
- Метрики и их важность в машинном обучении
Методы машинного обучения
6 часов и 2 практических задания
- Линейные методы
- Деревья принятия решения
- Метод К-ближайших соседей
Анализ текстовых данных
9 часов и 3 практических задания
- Подход "Bag Of Words"
- Морфологический и синтаксический анализ текста
- Выделение фактов из текста
- Тематическое моделирование
- Word embedding и Word2Vec
Работа с признаками машинного обучения
3 часа и 2 практических задания
- Создание новых признаков машинного обучения
- Подготовка Pipeline-ов
Другие области машинного обучения
9 часов и 3 практических задания
- Онлайн-обучение
- Введение в рекомендательные системы
- Введение в Deep Learning
Ансамблирование методов машинного обучения
3 часа и 1 практическое задание
- Случайный лес
- Градиентный бустинг
- Стекинг
- Блендинг
Анализ временных рядов
3 часа и 1 практическое задание
- ARIMA-подход
- Классическое машинное обучение на временных рядах
- Facebook Prophet
- Amazon GluonTS
Машинное обучение без учителя
3 часа и 2 практических задания
- Кластеризация
- Снижение размерности
- Применение подходов машинного обучения без учителя для генерации новых признаков
Машинное обучение в production
3 часа и 1 практическое задание
- Как завернуть модель машинного обучения в web-сервис
- Как настроить переобучение модели
- Особенности внедрения машинного обучения в production
- Docker-образ для Data Science
Курсовой проект
Результатом обучения станет курсовой проект, а главное требование к нему – готовое MVP.
В течение курса студенты разбиваются на группы по 2-3 человека и выбирают тему курсового проекта. Последние 3 недели курса команды самостоятельно работают над проектом. На последнем занятии группа и преподаватели собираются на защиту и обсуждение проектов.
Спойлер: Преподаватели
Наша Dream Team
Преподаватели-тренеры DataGym
Петр Ермаков
Senior Data Scientist Lamoda
Руководитель и лектор курса
Занимался анализом данных в компаниях Mail.ru Group и HeadHunter, преподавал машинное обучение в ВШЭ, МГТУ им.Баумана и нескольких коммерческих курсах.
Профессиональные интересы: рекомендательные системы, обработка естественного языка и BigData.
Андрей Шестаков
Team Lead Data Scientist Mail.ru Group
Лектор курса
В компании Forecsys работал над задачами прогонизования спроса и оптимизации складских запасов, cross-sell, up-sell. В Mail.ru Group работает в составе департамента рекламных технологий, занимается анализом интернет-поведения пользователей.
Преподает анализ данных и машинное обучение в ВШЭ.
Михаил Трофимов
Senior Data Scientist Joom
Лектор курса
Kaggle Grandmaster.
Занимался анализом данных в компаниях Machine Learning Works и Avito. Соавтор курса на Coursera: How to Win a Data Science Competition: Learn from Top Kagglers.
Профессиональные интересы: конкурсы по анализу данных, компьютерное зрение.
Эдуард Клышинский
Доцент Высшая Школа Экономики, МГТУ им.Баумана
Лектор курса
Преподает машинное обучение в ВШЭ и МГТУ им. Баумана, сотрудничает с ИПМ им. М.В. Келдыша РАН.
Разрабатывал системы машинной транскрипции, анализа текстов.
Профессиональные интересы: обработка текстов на естественном языке, компьютерная лингвистика.
Юлия Ковалева
Developer Relations Manager Mail.ru Group
Человек, который решает все проблемы
Три года занималась организацией IT конференций, митапов и хакатонов в eventspace.by в Минске. Сейчас работает во внутренних коммуникациях Mail.ru Group.
Профессиональны интересы: создание и развитие IT сообществ, технический PR.
Старт курса: январь 2021
Курс состоит из
15 лекций по 3 часа и хакатона (10 часов) = 55 часов,
17 практических домашних заданий,
а также 3-х недельного курсового проекта
Стоимость курса
Для юридических и физических лиц
65.000 ₽
