Образовательный курс

Профессия Data Scientist: машинное обучение

Станьте специалистом по нейросетям и машинным алгоритмам, получите одну из самых востребованных профессий современности. Постройте карьеру в крупной технологической компании — у нас или за рубежом.

Первым 20 участникам курса — скидка 20%.

Курс идеально подойдет

Новичкам

Освоите технологии машинного обучения, получите необходимый набор навыков, который откроет путь к построению карьеры в Data Science и Machine Learning. Вы сможете найти интересную работу и показать себя, даже если до этого никогда не программировали.

Новичкам

Программистам

Сможете перейти в Data Science и обеспечить себе будущее. Научитесь создавать аналитические системы и алгоритмы машинного обучения, работать с нейросетями — и получите более престижную и высокооплачиваемую работу.

Программистам

Менеджерам и бизнесу

Получите структурированные прикладные знания о Data Science от практиков. Научитесь использовать данные для построения прогнозов и оптимизации бизнес-процессов и переведете компанию на новый уровень развития.

Менеджерам и бизнесу

Чему вы научитесь

Новые знания и навыки можно будет сразу же применять на практике.

Научитесь программировать на Python

это самый популярный язык для работы с данными.

Сможете работать с источниками данных

CSV, XML и XLSX, JSON.

Освоите визуализацию данных

и сможете разрабатывать дашборды или интерактивную инфографику.

Опробуете разные модели машинного обучения

и откроете себе двери в новые интересные проекты.

Поработаете с машинным зрением

и сможете найти себе работу в машиностроении и робототехнике.

Напишете рекомендательную систему

для реального клиента и добавите ее себе в портфолио.

скидка 20% первым студентам

Программа курса

Программа курса содержит 4 основных блокa.

  1. Аналитика для машинного обучения

    Введение в Python
    • Причины выбора Anaconda для Python.
    • Установка окружения.
    • Jupyter Notebook: интерфейс, ячейки и разметка текста, формулы, изображения, работа в меню.
    • Python: базовые вычисления, операции с числами.
    • Переменные в Python: создание и изменение, типы значений и переменных, преобразование типов.
    • Работа с коллекциями: списки и кортежи в Python.
    • Условные конструкции и циклы в Python: конструкция if-else, циклы for и while.
    • Работа с коллекциями: словари в Python.
    • Функции в Python.
    • Отладка и дебаг. 
    • Классы.
    Библиотека NumPy
    • Основные идеи NumPy.
    • Ndarray: базовая концепция и операции над массивами.
    • Базовые операции над массивами.
    • Вычисления с массивами.
    • Создание массивов.
    • Условия и булевы массивы.
    • Изменение размерности списков.
    • Изменение списков.
    • Создание новых списков на основе старых.
    • Дополнительные концепции NumPy.
    • Структурированные списки.
    • Чтение/запись списков.
    Библиотека pandas
    • Основные структуры.
    • Индексы и метод .iloc.
    • Индексы и метод .loc.
    • Характеристики датафрейма pandas.
    • Операции над датафреймами.
    • Применение функций и метод .apply ( ).
    • Группировка и агрегирование.
    • Сортировка и упорядочивание.
    • Работа с NaN-ами.
    • Иерархическое индексирование.
    Чтение и запись данных
    • Чтение текстовых и CSV-файлов.
    • Работа с данными формата HTML.
    • Работа с данными формата XML.
    • Работа с данными формата XLSX.
    • JSON.
    • Pickle — сериализация объектов.
    • Работа с данными формата HDF5.
    • Работа с базой данных SQLite3.
    • Работа с базой данных PostgreSQL.
    • Работа с базой данных из pandas.
    • Работа с базой данных MongoDB.
    Введение в SQL
    • Структура БД, запрос DESCRIBE.
    • Выбор и фильтрация данных, запрос SELECT.
    • Функции и выражения, агрегация данных.
    • Отношения и соединение таблиц: JOIN.
    • Группировка.
    • Модификация данных.
    • Подзапросы.
    • Объявление и изменение структуры данных.
    Работа со строками
    • Стандартные приемы работы с текстом.
    • Регулярные выражения Python.
    • Статистики текста.
    Визуализация данных с помощью Matplotlib
    • Архитектура Matplotlib.
    • Простой график Matplotlib.
    • Сохранение и дальнейшая работа с графиком.
    • Добавление элементов на график.
    • Простые графики Matplotlib.
    • Сложные графики Matplotlib.
  2. Математика

    Линейная алгебра
    • Что такое матрица?
    • Линейные операции над матрицами.
    • Умножение матриц.
    • Транспонирование матриц.
    • Элементарные преобразования матриц.
    • Определитель матрицы.
    • Ранг матрицы.
    • Обратная матрица.
    • СЛАУ.
    • Собственные значения и векторы.
    Математический анализ. Функции одной и нескольких переменных
    • Функции одной переменной.
    • Предел функции одной переменной.
    • Производная функции одной переменной. 
    • Интеграл функции одной переменной.
    • Функции нескольких переменных.
    • Производная функции нескольких переменных.
    • Интеграл функции нескольких переменных.
    Основы статистики и теории вероятности
    • Случайные величины.
    • Анализ распределения случайной величины.
    • Корреляционный анализ.
    • Ищем взаимосвязи в данных.
    • Доверительные интервалы.
    • Учимся вычислять доверительные оценки.
    • Аномалии в данных.
    • Ищем аномальные значения.
  3. Машинное обучение. Начальный уровень

    Основные концепции Machine Learning (ML)
    • Что такое машинное обучение.
    • Обучение с учителем (Supervised Learning). Регрессия.
    • Обучение с учителем (Supervised Learning). Классификация.
    • Обучение без учителя (Unsupervised Learning). Кластеризация.
    • Обучение с подкреплением (Reinforcement Learning). Нейронные сети и ансамбли.
    Жизненный цикл ML-проекта
    • Понимание целей бизнеса, работа с данными.
    • Моделирование, развертывание.
    Регрессия
    • Линейная регрессия.
    • Метрики качества регрессии.
    • Полиномиальная регрессия.
    • Регуляризация.
    • Обучение моделей с помощью градиентного спуска.
    Классификация
    • Алгоритм KNN.
    • Алгоритм SVM.
    • Алгоритм Decision Trees.
    • Метрики качества классификации.
    • Мультиклассовая классификация.
    • Анализ ошибок.
    Кластеризация
    • Алгоритм DBSCAN.
    • Алгоритм K-средних.
    • Метрики качества кластеризации.
    Дополнительные техники
    • PCA.
    • SVD.
    • t-SNE.
    • Бустинг моделей.
    • Стэкинг моделей.
    Знакомство с Kaggle
    • Kaggle. Часть 1.
    • Kaggle. Часть 2.
  4. Машинное обучение. Средний уровень

    Введение в нейронные сети
    • Нейрон и логистическая регрессия.
    • Нейронная сеть.
    • Подбор коэффициентов простой сети для простых задач.
    • Математическая запись нейронных сетей, принятые обозначения.
    • Функции активации.
    • Многослойная нейронная сеть в Google Playground.
    • Метод обратного распространения ошибки.
    • Стохастический градиентный спуск. Модификации.
    • Нейронная сеть для задачи регрессии
    • Достоинства и недостатки нейронных сетей
    Нейронные сети на практике
    • Фреймворки для нейронных сетей.
    • Особенности TF. Туториал по TF и Colab.
    • Три кита обучения нейросетей: модель, генератор данных, оптимизатор.
    • Контролируем обучение: Callback, Tensorboard.
    Сверточные нейросети для задачи классификации изображений
    • Представление изображений в компьютере. Наивный и классический подходы к классификации изображений.
    • Сверточные нейронные сети. Стандартные слои и архитектуры.
    • Соревнование ImageNet. Transfer Learning. Что «видит» CNN.
    • Приемы для улучшения обучения. Советы по диагностике обучения. Проблема «предвзятости» в задачах классификации изображений. 
    Семантическая сегментация
    • Задачи компьютерного зрения.
    • Приложения сегментации.
    • Слабая локализация с помощью скользящего окна.
    • Реализация слабой локализации с помощью скользящего окна.
    • Полносверточная нейронная сеть (FCN).
    • Конвертация классификационной сети в полносверточную.
    • Обучение FCN.
    • Реализация обучения FCN.
    • Методы улучшения FCN-модели.
    • Реализация модернизированной FCN-сети.
    • Skipped connections, Архитектура U-Net.
    • Реализация U-Net.
    • Дилатационная свертка.
    • Реализация ASPP-сети.
    • Сегментация: сочетание DL и классических методов.
    Детектирование объектов
    • Приложения детектирования объектов.
    • Классификация + Локализация.
    • Реализация модели для Классификации + Локализации.
    • Детектирование объектов.
    • Region Proposals.
    • Архитектура R-CNN.
    • Реализация R-CNN.
    • Архитектура Fast R-CNN.
    • Реализация Fast R-CNN.
    • Архитектура Faster R-CNN.
    • Семейство архитектур SSD/YOLO.
    • Архитектура SSD.
    • Реализация SSD.
    • Архитектура Mask R-CNN.
    • Обучение собственной модели семантической сегментации.
    • Обучение собственной модели детектирования объектов.
    • Обучение модели детектирования объектов на своих данных с использованием TensorFlow. Object Detection API.
    От дискриминативных моделей к генеративным
    • От задачи генерации текстур к Style Transfer.
    • Feed Forward Style Transfer. 
    • Автоэнкодер, VAE, GAN, CycleGan
    Введение в NLP
    • tf-idf.
    • n-grams.
    • Модель Bag of Words.
    • Техника Word2Vec.
    NLP на нейросетях. Рекуррентные нейросети, классификация текстов
    • Нейронные сети прямого распространения.
    • Рекуррентные нейронные сети.
    • Реализация RNN.
    • Продвинутые рекуррентные нейросети (LSTM, GRU).
    • Реализация LSTM.
    • Типы обработки последовательностей.
    • Двунаправленные рекуррентные нейронные сети.
    • Двунаправленные LSTM и GRU на Keras.
    • Many-to-One (анализ текстов).
    • Реализация классификатора текстов.
    NLP на нейросетях. Языковые модели, Attention, Transformer
    • One-to-Many (генерация текстов).
    • Реализация языковой модели.
    • Sequence-to-Sequence.
    • Механизм внимания (Attention).
    • Реализация Attention.
    • Transformer.
    Обучение с подкреплением. Q-Learning
    • Обучение с подкреплением.
    • Примеры задач для обучения с подкреплением.
    • Разбор терминологии на простом примере.
    • Знакомство с Gym.
    • Формальная постановка задачи обучения с подкреплением.
    • Q-функция.
    • Реализация табличной Q-функции.
    • Табличный Q-Learning.
    • Реализация табличного Q-Learning.
    Обучение с подкреплением. Deep Q-Learning и другие методы
    • Аппроксимация Q-Learning.
    • Deep Q-Learning.
    • Реализация DQN.
    • Experience Replay.
    • Другие методы обучения с подкреплением.
    Ускорение и оптимизация нейронных сетей
    • Быстрый инференс нейронных сетей.
    • Трюки для построения оптимальных нейронных сетей.
    • Применение трюков для ускорения нейронных сетей.
    • Библиотека TensorRT.
    • Конвертация TensorFlow-модели в TensorRT.
    • Оптимизация TensorFlow модели с помощью TensorRT.
    Внедрение в DL моделей в Production
    • Deployment нейронных сетей.
    • Нейросеть как сервис: TensorFlow Serving.
    • Нейросеть как сервис: TensorRT Inference Server.
    Рекомендательные системы
    • Рекомендательные системы: цели и задачи.
    • KNN-рекомендации.
    • Эмбеддинги пользователей и контента (скрытые факторы).
    • Метрики рекомендательных систем.
    Вывод моделей машинного обучения в production, post-production и мониторинг
    • Офлайн-эксперимент. Proof Concept.
    • Оценка ROI.
    • Метрики модели.
    • Деплой модели: Docker.

Получите полную программу и индивидуальную консультацию

Преподаватели

Как проходит обучение

Вы выполняете домашние задания и открываете доступ к новому уникальному контенту по теме. Достаточно выделить 3–5 часов в неделю.

  1. Изучаете
    тему

    В курсе — полезные видеоуроки.

    Интерфейс системы обучения
  2. Выполняете домашнее задание

    В том темпе, в котором вам удобно.

    Интерфейс системы обучения
  3. Общаетесь с наставником

    Закрепляете знания и исправляете ошибки.

    Интерфейс системы обучения
  4. Защищаете дипломный проект

    И дополняете им свое портфолио.

    Интерфейс системы обучения

Ваше резюме после обучения

Аделина Ветрова Аделина Ветрова специалист по машинному обучению

Ожидаемая зарплата от 90 000

Владение инструментами:
  • Python Язык программирования общего назначения, применяется для работы с данными.

  • Jupyter Notebook Командная оболочка для интерактивных вычислений.

  • NumPy Библиотека с открытым исходным кодом для Python.

  • Pandas программная библиотека на Python для обработки и анализа данных.

  • SQL Язык программирования для работы с реляционными БД.

  • Matplotlib библиотека на Python для визуализации данных 2D-графикой.

  • SciPy библиотека для Python с открытым исходным кодом для выполнения научных и инженерных расчётов.

  • Scikit-Learn библиотека машинного обучения для Python.

  • Keras Открытая нейросетевая библиотека, написанная на Python.

  • TensorFlow Открытая программная библиотека для машинного обучения от Google

Ключевые навыки:
  • Python для работы с данными
  • чтение и запись данных, работа с библиотеками;
  • визуализация данных на Matplotlib;
  • работа с нейронными сетями;
  • владение методом Q-learning;
  • написание рекомендательных систем.
  • машинное обучение: регрессия, классификация, кластеризация;

Диплом Skillbox

Подтверждает успешное прохождение курса «Профессия Data Scientist: машинное обучение»

Профессия Data Scientist: машинное обучение

Стоимость обучения

Скидка 20% первым 20

Стоимость обучения 88 500

2 950 Рассрочка без первого взноса

70 800 Для первых 20 студентов

Запишитесь на курс

Дата начала: 17 ноября

Осталось: 15 мест

О Skillbox

Максимально практическое обучение от лидеров digital-рынка. Курсы от компаний, работающих на реальных проектах.

После обучения вы можете трудоустроиться в эти компании или к партнёрам университета.

25 000 +

студентов учатся на наших курсах

82%

студентов довольны преподавателями

89%

выпускников получают карьерный рост

94%

выпускников довольны курсом и результатом

Часто задаваемые вопросы

  1. Я никогда не программировал. У меня получится?

    Курс подходит для людей, не имеющих навыков работы с данными, языками программирования или нейросетями. Наши методики и система поддержки позволят вам научиться всему с нуля.

  2. Какой график обучения? Получится ли совмещать его с работой?

    Вы можете работать с материалами курса в любое удобное время, двигаясь по программе в подходящем вам темпе. Более того, все уроки будут доступны и по окончании курса, навсегда, так что вы сможете освежить свои знания в любой нужный момент. Весь формат обучения построен таким образом, чтобы вы могли совмещать его с работой, учебой и личной жизнью.

  3. Сколько часов в неделю мне нужно будет уделять учебе?

    Вы сами выбираете нагрузку и скорость, с которой будете проходить курс. Хотите — занимайтесь два часа в неделю, хотите — шесть часов в день. Но в любом случае не забывайте отдыхать.

  4. Я могу общаться с преподавателем?

    Да, у вас будет доступ к закрытому Telegram-чату. Преподаватель будет лично комментировать домашние задания и давать полезные советы. Так вы сможете перенять уникальный опыт, профессиональные знания и лайфхаки от нашего преподавателя.

  5. Действуют ли какие-нибудь программы рассрочки?

    Да, вы можете купить курс в рассрочку — и спланировать свой бюджет, разбив всю сумму на мелкие ежемесячные платежи.

  6. А я точно смогу трудоустроиться?

    Курс дает достаточно знаний, чтобы получить позицию Data Scientist. Конечно, многое будет зависеть и от вас самих.

или получить

Появились вопросы по курсу?

Оставьте ваш номер телефона, и наш специалист свяжется с вами, чтобы дать подробную информацию.