Войти
Каталог
MACHINE LEARNING ДЛЯ НАЧИНАЮЩИХ. ОБУЧЕНИЕ У НАС
Поможем с нуля освоить одну из самых популярных IT-профессий
ФОРМАТ ОБУЧЕНИЯ
ОНЛАЙН
ОНЛАЙН
КОМУ ПОДОЙДЁТ
С НУЛЯ
С НУЛЯ
НЕРСЕС БАГИЯН
СТАРТ ПРОГРАММЫ
КАЖДЫЙ МЕСЯЦ
01
дней
02
часов
03
минут
04
секунд
ПОЛУЧИТЕ НЕОБХОДИМУЮ
БАЗУ В СФЕРЕ
ML-инженер — это специалист, который находится на стыке анализа данных и разработки. Он должен уметь писать код, строить математические модели и понимать потребности бизнеса.
Мы составили программу курса таким образом, чтобы любой желающий без сильной математической подготовки смог разобраться со всеми этапами работы: от сбора данных и применения классических алгоритмов до обучения нейросетей и проведения A/B-тестов.
Одним словом, у вас в руках перед вами — исчерпывающий starter pack в ML и Data Science.
Мы составили программу курса таким образом, чтобы любой желающий без сильной математической подготовки смог разобраться со всеми этапами работы: от сбора данных и применения классических алгоритмов до обучения нейросетей и проведения A/B-тестов.
Одним словом, у вас в руках перед вами — исчерпывающий starter pack в ML и Data Science.
НЕРСЕС БАГИЯН
Head of Data Science Raiffeisen CIB, хедлайнер курса
Чем занимаются ML-Инженеры:
/Анализируют
большие объёмы данных и ищут в них закономерности.
модели машинного обучения и нейронные сети, которые помогают бизнесу принимать решения.
приложения и инфраструктуру для автоматизации работы ML-решений.
влияние новых алгоритмов на продукт и проводят эксперименты.
/создают
/ОЦЕНИВАЮТ
/Разрабатывают
КОМУ ПОДОЙДЁТ ЭТОТ КУРС:
НОВИЧКАМ
Хотите освоить машинное обучение, но не знаете, с чего начать. Курс даст все необходимые знания.
МАТЕМАТИКАМ
Увлекаетесь математикой и точными науками, но хотите перейти от теории к практике и научиться решать реальные бизнес-задачи.
АНАЛИТИКАМ
Уже работаете с данными, но хотите освоить продвинутые методы и инструменты, чтобы выйти на качественно новый уровень в аналитике.
РАЗРАБОТЧИКАМ
Имеете опыт в программировании и разработке приложений, но хотите применить свои знания в новой области и научиться выявлять потребности бизнеса.
ВАШЕ НАВЫКИ == ЧЕРЕЗ 7 МЕСЯЦЕВ
МАРИЯ ОСТРИКОВА
Junior ML-инженер
Умею разрабатывать приложения на Python, знаю основы объектно-ориентированного программирования. Владею библиотеками для анализа данных и машинного обучения: pandas, numpy, matplotlib, seaborn, scipy, sklearn
Знаю синтаксис SQL, умею составлять запросы к базам данным и работать с SQLAlchemy
Знакома с основами backend-разработки и фреймворком FastAPI.
Использую Git для версионирования приложений и работы над проектами.
Применяю Airflow для автоматизации регулярных задач
Знаю классические ML-алгоритмы и умею строить ML-модели для решения задач регрессии, классификации и кластеризации
Имею опыт применения продвинутых ML-моделей на основе градиентного бустинга: CatBoost, LightGBM, XGBoost
Знакома с нейронными сетями и библиотекой PyTorch*. Умею решать задачи по работе с текстами и изображениями: классификация, детекция объектов, распознавание лиц, генерация текстов
Разбираюсь в основах теории вероятностей и математической статистики. Знаю основные статистические критерии и условия их применимости
Умею проводить A/B-тесты и оценивать влияние ML-моделей на продукт. Понимаю, как рассчитываются объём выборки, величина эффекта и продолжительность эксперимента
Знаю синтаксис SQL, умею составлять запросы к базам данным и работать с SQLAlchemy
Знакома с основами backend-разработки и фреймворком FastAPI.
Использую Git для версионирования приложений и работы над проектами.
Применяю Airflow для автоматизации регулярных задач
Знаю классические ML-алгоритмы и умею строить ML-модели для решения задач регрессии, классификации и кластеризации
Имею опыт применения продвинутых ML-моделей на основе градиентного бустинга: CatBoost, LightGBM, XGBoost
Знакома с нейронными сетями и библиотекой PyTorch*. Умею решать задачи по работе с текстами и изображениями: классификация, детекция объектов, распознавание лиц, генерация текстов
Разбираюсь в основах теории вероятностей и математической статистики. Знаю основные статистические критерии и условия их применимости
Умею проводить A/B-тесты и оценивать влияние ML-моделей на продукт. Понимаю, как рассчитываются объём выборки, величина эффекта и продолжительность эксперимента
КАК ПРОХОДИТ ОБУЧЕНИЕ:
УЗНАВАЙТЕ ПОДРОБНЕЕ О КУРСЕ
Преподаватели расскажут о курсе, обсудят каждый модуль, его ценность и особенности использования полученных знаний в дальнейшей работе.
ФОРМАТ ОБУЧЕНИЯ
— Обучение проходит в интенсивном формате по 3 занятия в неделю
— Домашние задания выполняются на настоящей инфраструктуре
— Все лекции и дополнительные материалы доступны на образовательной платформе и остаются у вас после окончания курса
— На учёбу наши студенты тратят в среднем 20 часов в неделю
— Домашние задания выполняются на настоящей инфраструктуре
— Все лекции и дополнительные материалы доступны на образовательной платформе и остаются у вас после окончания курса
— На учёбу наши студенты тратят в среднем 20 часов в неделю
ФОКУСИРУЙТЕСЬ НА ПРАКТИКЕ
Мы включили в программу теорию по математике в необходимом для практики объеме. Помимо отдельного блока по статистике, математика встречается в уроках по машинному обучению – там, где она пригождается ML-специалисту. Ничего учить отдельно не придется, мы уже подобрали лучшие материалы и задания за вас.
Мы добавили как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.
Мы добавили как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.
РАБОТАЙТЕ НАД РЕАЛЬНЫМ ПРОЕКТОМ
Вы построите систему ранжирования постов в социальной сети. Над проектом вы будете работать на протяжении всего курса, выполняя задания по мере изучения необходимой теории. Вы освоите важнейшие области машинного обучения (от табличных данных до картинок) и познакомитесь с промышленной разработкой. В итоге вы создадите API, которое выбирает самые релевантные посты для каждого клиента.
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте во всех необходимых инструментах на нашей инфраструктуре. Вам не придется устанавливать ПО на свой компьютер, мы предоставляем доступ ко всем технологиям
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
ЗАДАВАЙТЕ ЛЮБЫЕ ВОПРОСЫ В ПОДДЕРЖКУ
— Обсуждайте задачи и проекты с экспертами рынка
— Вашими менторами будут ML-инженеры из ведущих российских компаний
— Вашими менторами будут ML-инженеры из ведущих российских компаний
ФОРМАТ ОБУЧЕНИЯ
— Обучение проходит в интенсивном формате по 3 занятия в неделю
— Домашние задания выполняются на настоящей инфраструктуре
— Все лекции и дополнительные материалы доступны на образовательной платформе и остаются у вас после окончания курса
— На учёбу наши студенты тратят в среднем 20 часов в неделю
— Домашние задания выполняются на настоящей инфраструктуре
— Все лекции и дополнительные материалы доступны на образовательной платформе и остаются у вас после окончания курса
— На учёбу наши студенты тратят в среднем 20 часов в неделю
ФОКУСИРУЙТЕСЬ НА ПРАКТИКЕ
— Мы включили в программу теорию по математике в необходимом для практики объеме. Помимо отдельного блока по статистике, математика встречается в уроках по машинному обучению – там, где она пригождается ML-специалисту. Ничего учить отдельно не придется, мы уже подобрали лучшие материалы и задания за вас.
Мы старались включить как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.
— Мы старались включить как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.
Мы старались включить как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.
— Мы старались включить как можно больше приближенных к реальности заданий, чтобы задачи на работе не оказались для вас сюрпризом.
РАБОТАЙТЕ НАД РЕАЛЬНЫМ ПРОЕКТОМ
Проект заключается в построении системы ранжирования постов в социальной сети. Вы будете работать над ним на протяжении всего курса, выполняя задания по мере изучения необходимой теории. Вы освоите важнейшие области машинного обучения (от табличных данных до картинок) и познакомитесь с промышленной разработкой. В итоге вы создадите API, которое выбирает самые релевантные посты для каждого клиента.
ИСПОЛЬЗУЙТЕ НАШУ ИНФРАСТРУКТУРУ
— Работайте во всех необходимых инструментах на нашей инфраструктуре. Вам не придется устанавливать ПО на свой компьютер, мы предоставляем доступ ко всем технологиям
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
— Практикуйтесь на данных из реальных задач
— Изучайте решения преподавателей и других студентов
КАКИЕ ИНСТРУМЕНТЫ ВЫ ОСВОИТЕ
ПРОГРАММА КУРСА ://
Начнём с основ программирования, научимся писать код на Python и освоим библиотеки для анализа данных и машинного обучения. Научимся работать с базами данных и разберёмся, как с помощью SQL-запросов получать данные для моделей. Поговорим об архитектуре приложений и узнаем, как контролировать версии с помощью Git. Напишем прототип будущего ML-сервиса и настроим всё необходимое для его работы.
Познакомимся с классическими алгоритмами машинного обучения. Рассмотрим всё от простых линейных моделей до градиентного бустинга на решающих деревьях. Научимся готовить данные для моделей, настраивать разные параметры и оценивать качество работы ML-алгоритмов. Обсудим тонкости разработки рекомендательных систем, обучим модель на данных социальной сети и свяжем её с нашим приложением.
Глубинное обучение и нейронные сети позволяют решать задачи, в которых классические модели бессильны: распознавание лиц, детекция объектов на изображениях, генерация осмысленного текста. Разберём популярные архитектуры нейросетей, научимся применять предобученные модели и тренировать свои. Построим продвинутую модель и усовершенствуем наш алгоритм рекомендаций.
Рассмотрим основные понятия теории вероятностей и математической статистики. Научимся проводить A/B-тесты и достоверно оценивать влияние ML-моделей на продукт и бизнес. Обсудим подводные камни проведения экспериментов и способы оценки метрик в ситуациях, когда A/B-тест провести невозможно. Реализуем свою систему тестирования и узнаем, удалось ли нам повысить качество рекомендаций в сравнении с базовым решением.
Начнём с основ программирования, научимся писать код на Python и освоим библиотеки для анализа данных и машинного обучения. Научимся работать с базами данных и разберёмся, как с помощью SQL-запросов получать данные для моделей. Поговорим об архитектуре приложений и узнаем, как контролировать версии с помощью Git. Напишем прототип будущего ML-сервиса и настроим всё необходимое для его работы.
Познакомимся с классическими алгоритмами машинного обучения. Рассмотрим всё от простых линейных моделей до градиентного бустинга на решающих деревьях. Научимся готовить данные для моделей, настраивать разные параметры и оценивать качество работы ML-алгоритмов. Обсудим тонкости разработки рекомендательных систем, обучим модель на данных социальной сети и свяжем её с нашим приложением.
Глубинное обучение и нейронные сети позволяют решать задачи, в которых классические модели бессильны: распознавание лиц, детекция объектов на изображениях, генерация осмысленного текста. Разберём популярные архитектуры нейросетей, научимся применять предобученные модели и тренировать свои. Построим продвинутую модель и усовершенствуем наш алгоритм рекомендаций.
Рассмотрим основные понятия теории вероятностей и математической статистики. Научимся проводить A/B-тесты и достоверно оценивать влияние ML-моделей на продукт и бизнес. Обсудим подводные камни проведения экспериментов и способы оценки метрик в ситуациях, когда A/B-тест провести невозможно. Реализуем свою систему тестирования и узнаем, удалось ли нам повысить качество рекомендаций в сравнении с базовым решением.
УЧИТЕСЬ У <ЛУЧШИХ>
НЕРСЕС БАГИЯН
Руководитель направления продвинутой аналитики в Raiffeisen CIB. Преподаватель машинного обучения ФКН НИУ ВШЭ. Выпускник школы анализа данных от Яндекса. Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года.
Head of DS в Raiffeisen CIB
АЛЕКСЕЙ КОЖАРИН
Работал ML-инженером в Райффайзенбанке, занимался процессингом данных, построением моделей и автоматизацией ML-проектов. Сейчас работает backend-разработчиком в Яндекс.Диске
Backend Яндекс.Диск
Модули >>>
НИКИТА ТАБАКАЕВ
Занимается продуктовой аналитикой и построением моделей машинного обучения в корпоративно-инвестиционном подразделении Райффайзенбанка.
Аналитик Raiffeisen CIB
Модули >>>
АЛЕКСЕЙ БИРШЕРТ
Занимается построением моделей динамического ценообразования в корпоративно-инвестиционном подразделении Райффайзенбанка. Исследователь в области обработки естественного языка.
Аналитик Raiffeisen CIB
Модули >>>
ЭМИЛЬ КАЮМОВ
Отвечает за рекомендации и прогнозы для задач эффективности Яндекс.Еды. Ранее запускал рекомендации и прогнозы времени доставки в Яндекс.Лавке, занимался задачами продукта Яндекс.Такси.
Head of ML Яндекс.Еда
Модули >>>
ОТЗЫВЫ СТУДЕНТОВ /
- Благодарю создателей курса за вполне качественный курс по основам машинного обучения.
Изначально я хотел получить знания в области машинного обучения. Первые два блока очень понравились, все 4 месяца с удовольствием учился на курсе.
Читать полностью
Тимур, теплоэнергетик - Спасибо большое всей команде, вы делаете крутой продукт!
Курс очень интересный и интенсивный. Было сложно, особенно в модуле по глубинному обучению, но я надеюсь заполнить пробелы в будущем. Очень здорово, что все материалы остаются с нами и к ним можно вернуться.
Читать полностью
ЕЛЕНА, BI-аналитик
- Спасибо большое всей команде, вы делаете крутой продукт!
Курс очень интересный и интенсивный. Было сложно, особенно в модуле по глубинному обучению, но я надеюсь заполнить пробелы в будущем. Очень здорово, что все материалы остаются с нами и к ним можно вернуться.
Читать полностью
ЕЛЕНА, BI-аналитик - Благодарю создателей курса за вполне качественный курс по основам машинного обучения.
Изначально я хотел получить знания в области машинного обучения. Первые два блока очень понравились, все 4 месяца с удовольствием учился на курсе.
Читать полностью
Тимур, теплоэнергетик
Я работала аналитиком в банке — занималась BI-аналитикой, готовила отчёты различной сложности и витрины данных для других пользователей. Пошла на курс, чтобы изучить классическое машинное обучение.
Ожидания от обучения оправдались процентов на 80%. Курс очень интересный и интенсивный. Было сложно, особенно в модуле по глубинному обучению, но я надеюсь заполнить пробелы в будущем. Очень здорово, что все материалы остаются с нами и к ним можно вернуться.
Больше всего понравились первые два модуля — по Python и машинному обучению. Преподаватели очень доступно объясняли сложные моменты и помогали решать задачи, тех. поддержка тоже :)
Блок по статистике показался мне немного быстрым, хотелось бы ему уделить больше времени.
Всем преподавателям огромная благодарность за то, что учите нас на своём опыте и помогаете достичь целей :)
Спасибо большое всей команде, вы делаете крутой продукт!
ЕЛЕНА
Ожидания от обучения оправдались процентов на 80%. Курс очень интересный и интенсивный. Было сложно, особенно в модуле по глубинному обучению, но я надеюсь заполнить пробелы в будущем. Очень здорово, что все материалы остаются с нами и к ним можно вернуться.
Больше всего понравились первые два модуля — по Python и машинному обучению. Преподаватели очень доступно объясняли сложные моменты и помогали решать задачи, тех. поддержка тоже :)
Блок по статистике показался мне немного быстрым, хотелось бы ему уделить больше времени.
Всем преподавателям огромная благодарность за то, что учите нас на своём опыте и помогаете достичь целей :)
Спасибо большое всей команде, вы делаете крутой продукт!
ЕЛЕНА
Я инженер-теплоэнергетик, закончил магистратуру в 2019 году. Последний год работаю аналитиком данных в М.Видео. Я единственный аналитик в департаменте, по большей части занимаюсь ad-hoc задачами, в основном использую SQL и Python. До этого 2,5 года работал на стыке теплоэнергетики и IT.
Первые два блока очень понравились, все 4 месяца с удовольствием учился на курсе. Где-то с третьего-четвёртого урока третьего модуля задачи стали для меня невыполнимыми. Так как я очень ответственно подходил к обучению на курсе, у меня из-за этого произошло что-то вроде выгорания.
Почему задачи перестали быть выполнимыми — многофакторное явление: и сложность темы, и выгорание, и падение качества лекционного материала. Судя по опросу в Телеграме, большинству также понравились первые два модуля, а к третьему и четвёртому было гораздо больше вопросов. Качество лекций четвёртого модуля вызвало наибольшие вопросы: видео по 20 минут при средней продолжительности роликов час-полтора на протяжении остальной части курса, мало практики, просто определения и иногда скриншоты решённых задач.
Тем не менее задачи оказались вполне выполнимыми, но я не могу сказать, что у меня что-то из этого модуля отложилось в голове. Поэтому отдельная благодарность, что открыли блок по статистике из курса «Аналитик данных». Но к нему я пока не притронулся из-за накопившейся усталости от учёбы.
Финальный проект — крутой с точки зрения стека и задумки, но он был слишком большой и без подсказок (как я понял, они появились на следующих потоках). Из-за этого до дедлайна проект сдали единицы, как я понимаю. Но всё равно это то, что надо для курса.
Думаю, что в первый модуль стоит добавить Docker. Но, как я узнал недавно, у K/C планируется бесплатный курс по докеру, что звучит просто потрясающе. Также я бы добавил больше информации по бустингам во второй модуль.
Не знаю, что можно отметить в качестве результатов — знакомство с основами ML действительно прошло неплохо, повторение и укрепление базы по Python тоже.
Хочу поблагодарить Никиту Табакаева и Алексея Кожарина за качественные модули — может, в них и есть мелкие изъяны, но впечатления остались только положительные. Алексею Биршерту и Эмилю Каюмову я тоже благодарен, разумеется, но петь им дифирамбы было бы нечестно :)
Я надеюсь, что третий модуль станет попроще. Например, вместо одной огромной задачи будет несколько небольших задач, как во втором блоке. В четвёртом модуле стоит удвоить (а то и утроить) хронометраж лекций, добавив ещё столько же практики не со скриншотами написанного кода, а с live-кодингом и комментариями.
Благодарю всю команду создателей курса за вполне качественный курс по основам машинного обучения. Сравнивать мне особо не с чем, год назад я проходил курс от Learn Python, но он был весьма базовый. На тот момент я не знал о K/C, иначе бы выбрал курс по аналитике данных. Благодарю Анатолия Карпова за то, что он стал для меня проводником в мир анализа данных (думаю, как и для десятков или сотен тысяч других людей). Его интервью у некоторых подкастеров воодушевляли меня на начальных этапах. Интервью с Марией Ждановой, аналитиком из VK, почему-то особенно запомнилось — было очень приятно и радостно услышать, что эта сфера весьма дружелюбна к людям. Благодарю Беслана за подкаст, популяризирующий программирование и анализ данных.
Возможно, стоит как-нибудь награждать самых активных студентов — например, выдавать билет на Матемаркетинг, дарить большую скидку на другой курс или ещё что-то приятное.
ТИМУР
Первые два блока очень понравились, все 4 месяца с удовольствием учился на курсе. Где-то с третьего-четвёртого урока третьего модуля задачи стали для меня невыполнимыми. Так как я очень ответственно подходил к обучению на курсе, у меня из-за этого произошло что-то вроде выгорания.
Почему задачи перестали быть выполнимыми — многофакторное явление: и сложность темы, и выгорание, и падение качества лекционного материала. Судя по опросу в Телеграме, большинству также понравились первые два модуля, а к третьему и четвёртому было гораздо больше вопросов. Качество лекций четвёртого модуля вызвало наибольшие вопросы: видео по 20 минут при средней продолжительности роликов час-полтора на протяжении остальной части курса, мало практики, просто определения и иногда скриншоты решённых задач.
Тем не менее задачи оказались вполне выполнимыми, но я не могу сказать, что у меня что-то из этого модуля отложилось в голове. Поэтому отдельная благодарность, что открыли блок по статистике из курса «Аналитик данных». Но к нему я пока не притронулся из-за накопившейся усталости от учёбы.
Финальный проект — крутой с точки зрения стека и задумки, но он был слишком большой и без подсказок (как я понял, они появились на следующих потоках). Из-за этого до дедлайна проект сдали единицы, как я понимаю. Но всё равно это то, что надо для курса.
Думаю, что в первый модуль стоит добавить Docker. Но, как я узнал недавно, у K/C планируется бесплатный курс по докеру, что звучит просто потрясающе. Также я бы добавил больше информации по бустингам во второй модуль.
Не знаю, что можно отметить в качестве результатов — знакомство с основами ML действительно прошло неплохо, повторение и укрепление базы по Python тоже.
Хочу поблагодарить Никиту Табакаева и Алексея Кожарина за качественные модули — может, в них и есть мелкие изъяны, но впечатления остались только положительные. Алексею Биршерту и Эмилю Каюмову я тоже благодарен, разумеется, но петь им дифирамбы было бы нечестно :)
Я надеюсь, что третий модуль станет попроще. Например, вместо одной огромной задачи будет несколько небольших задач, как во втором блоке. В четвёртом модуле стоит удвоить (а то и утроить) хронометраж лекций, добавив ещё столько же практики не со скриншотами написанного кода, а с live-кодингом и комментариями.
Благодарю всю команду создателей курса за вполне качественный курс по основам машинного обучения. Сравнивать мне особо не с чем, год назад я проходил курс от Learn Python, но он был весьма базовый. На тот момент я не знал о K/C, иначе бы выбрал курс по аналитике данных. Благодарю Анатолия Карпова за то, что он стал для меня проводником в мир анализа данных (думаю, как и для десятков или сотен тысяч других людей). Его интервью у некоторых подкастеров воодушевляли меня на начальных этапах. Интервью с Марией Ждановой, аналитиком из VK, почему-то особенно запомнилось — было очень приятно и радостно услышать, что эта сфера весьма дружелюбна к людям. Благодарю Беслана за подкаст, популяризирующий программирование и анализ данных.
Возможно, стоит как-нибудь награждать самых активных студентов — например, выдавать билет на Матемаркетинг, дарить большую скидку на другой курс или ещё что-то приятное.
ТИМУР
Я работала аналитиком в банке — занималась BI-аналитикой, готовила отчёты различной сложности и витрины данных для других пользователей. Пошла на курс, чтобы изучить классическое машинное обучение.
Ожидания от обучения оправдались процентов на 80%. Курс очень интересный и интенсивный. Было сложно, особенно в модуле по глубинному обучению, но я надеюсь заполнить пробелы в будущем. Очень здорово, что все материалы остаются с нами и к ним можно вернуться.
Больше всего понравились первые два модуля — по Python и машинному обучению. Преподаватели очень доступно объясняли сложные моменты и помогали решать задачи, тех. поддержка тоже :)
Блок по статистике показался мне немного быстрым, хотелось бы ему уделить больше времени.
Всем преподавателям огромная благодарность за то, что учите нас на своём опыте и помогаете достичь целей :)
Спасибо большое всей команде, вы делаете крутой продукт!
ЕЛЕНА
Ожидания от обучения оправдались процентов на 80%. Курс очень интересный и интенсивный. Было сложно, особенно в модуле по глубинному обучению, но я надеюсь заполнить пробелы в будущем. Очень здорово, что все материалы остаются с нами и к ним можно вернуться.
Больше всего понравились первые два модуля — по Python и машинному обучению. Преподаватели очень доступно объясняли сложные моменты и помогали решать задачи, тех. поддержка тоже :)
Блок по статистике показался мне немного быстрым, хотелось бы ему уделить больше времени.
Всем преподавателям огромная благодарность за то, что учите нас на своём опыте и помогаете достичь целей :)
Спасибо большое всей команде, вы делаете крутой продукт!
ЕЛЕНА
Я инженер-теплоэнергетик, закончил магистратуру в 2019 году. Последний год работаю аналитиком данных в М.Видео. Я единственный аналитик в департаменте, по большей части занимаюсь ad-hoc задачами, в основном использую SQL и Python. До этого 2,5 года работал на стыке теплоэнергетики и IT.
Первые два блока очень понравились, все 4 месяца с удовольствием учился на курсе. Где-то с третьего-четвёртого урока третьего модуля задачи стали для меня невыполнимыми. Так как я очень ответственно подходил к обучению на курсе, у меня из-за этого произошло что-то вроде выгорания.
Почему задачи перестали быть выполнимыми — многофакторное явление: и сложность темы, и выгорание, и падение качества лекционного материала. Судя по опросу в Телеграме, большинству также понравились первые два модуля, а к третьему и четвёртому было гораздо больше вопросов. Качество лекций четвёртого модуля вызвало наибольшие вопросы: видео по 20 минут при средней продолжительности роликов час-полтора на протяжении остальной части курса, мало практики, просто определения и иногда скриншоты решённых задач.
Тем не менее задачи оказались вполне выполнимыми, но я не могу сказать, что у меня что-то из этого модуля отложилось в голове. Поэтому отдельная благодарность, что открыли блок по статистике из курса «Аналитик данных». Но к нему я пока не притронулся из-за накопившейся усталости от учёбы.
Финальный проект — крутой с точки зрения стека и задумки, но он был слишком большой и без подсказок (как я понял, они появились на следующих потоках). Из-за этого до дедлайна проект сдали единицы, как я понимаю. Но всё равно это то, что надо для курса.
Думаю, что в первый модуль стоит добавить Docker. Но, как я узнал недавно, у K/C планируется бесплатный курс по докеру, что звучит просто потрясающе. Также я бы добавил больше информации по бустингам во второй модуль.
Не знаю, что можно отметить в качестве результатов — знакомство с основами ML действительно прошло неплохо, повторение и укрепление базы по Python тоже.
Хочу поблагодарить Никиту Табакаева и Алексея Кожарина за качественные модули — может, в них и есть мелкие изъяны, но впечатления остались только положительные. Алексею Биршерту и Эмилю Каюмову я тоже благодарен, разумеется, но петь им дифирамбы было бы нечестно :)
Я надеюсь, что третий модуль станет попроще. Например, вместо одной огромной задачи будет несколько небольших задач, как во втором блоке. В четвёртом модуле стоит удвоить (а то и утроить) хронометраж лекций, добавив ещё столько же практики не со скриншотами написанного кода, а с live-кодингом и комментариями.
Благодарю всю команду создателей курса за вполне качественный курс по основам машинного обучения. Сравнивать мне особо не с чем, год назад я проходил курс от Learn Python, но он был весьма базовый. На тот момент я не знал о K/C, иначе бы выбрал курс по аналитике данных. Благодарю Анатолия Карпова за то, что он стал для меня проводником в мир анализа данных (думаю, как и для десятков или сотен тысяч других людей). Его интервью у некоторых подкастеров воодушевляли меня на начальных этапах. Интервью с Марией Ждановой, аналитиком из VK, почему-то особенно запомнилось — было очень приятно и радостно услышать, что эта сфера весьма дружелюбна к людям. Благодарю Беслана за подкаст, популяризирующий программирование и анализ данных.
Возможно, стоит как-нибудь награждать самых активных студентов — например, выдавать билет на Матемаркетинг, дарить большую скидку на другой курс или ещё что-то приятное.
ТИМУР
Первые два блока очень понравились, все 4 месяца с удовольствием учился на курсе. Где-то с третьего-четвёртого урока третьего модуля задачи стали для меня невыполнимыми. Так как я очень ответственно подходил к обучению на курсе, у меня из-за этого произошло что-то вроде выгорания.
Почему задачи перестали быть выполнимыми — многофакторное явление: и сложность темы, и выгорание, и падение качества лекционного материала. Судя по опросу в Телеграме, большинству также понравились первые два модуля, а к третьему и четвёртому было гораздо больше вопросов. Качество лекций четвёртого модуля вызвало наибольшие вопросы: видео по 20 минут при средней продолжительности роликов час-полтора на протяжении остальной части курса, мало практики, просто определения и иногда скриншоты решённых задач.
Тем не менее задачи оказались вполне выполнимыми, но я не могу сказать, что у меня что-то из этого модуля отложилось в голове. Поэтому отдельная благодарность, что открыли блок по статистике из курса «Аналитик данных». Но к нему я пока не притронулся из-за накопившейся усталости от учёбы.
Финальный проект — крутой с точки зрения стека и задумки, но он был слишком большой и без подсказок (как я понял, они появились на следующих потоках). Из-за этого до дедлайна проект сдали единицы, как я понимаю. Но всё равно это то, что надо для курса.
Думаю, что в первый модуль стоит добавить Docker. Но, как я узнал недавно, у K/C планируется бесплатный курс по докеру, что звучит просто потрясающе. Также я бы добавил больше информации по бустингам во второй модуль.
Не знаю, что можно отметить в качестве результатов — знакомство с основами ML действительно прошло неплохо, повторение и укрепление базы по Python тоже.
Хочу поблагодарить Никиту Табакаева и Алексея Кожарина за качественные модули — может, в них и есть мелкие изъяны, но впечатления остались только положительные. Алексею Биршерту и Эмилю Каюмову я тоже благодарен, разумеется, но петь им дифирамбы было бы нечестно :)
Я надеюсь, что третий модуль станет попроще. Например, вместо одной огромной задачи будет несколько небольших задач, как во втором блоке. В четвёртом модуле стоит удвоить (а то и утроить) хронометраж лекций, добавив ещё столько же практики не со скриншотами написанного кода, а с live-кодингом и комментариями.
Благодарю всю команду создателей курса за вполне качественный курс по основам машинного обучения. Сравнивать мне особо не с чем, год назад я проходил курс от Learn Python, но он был весьма базовый. На тот момент я не знал о K/C, иначе бы выбрал курс по аналитике данных. Благодарю Анатолия Карпова за то, что он стал для меня проводником в мир анализа данных (думаю, как и для десятков или сотен тысяч других людей). Его интервью у некоторых подкастеров воодушевляли меня на начальных этапах. Интервью с Марией Ждановой, аналитиком из VK, почему-то особенно запомнилось — было очень приятно и радостно услышать, что эта сфера весьма дружелюбна к людям. Благодарю Беслана за подкаст, популяризирующий программирование и анализ данных.
Возможно, стоит как-нибудь награждать самых активных студентов — например, выдавать билет на Матемаркетинг, дарить большую скидку на другой курс или ещё что-то приятное.
ТИМУР
FAQ
Чтобы успешно пройти курс, достаточно знать математику на уровне школьной программы. Вам не потребуется уметь программировать и знать алгоритмы машинного обучения. Всё это вы сможете освоить с нуля.
Лекции вы сможете смотреть с любого устройства, но для написания кода вам потребуется компьютер или ноутбук. Требований к конфигурации и мощности нет — мы предоставим всю необходимую инфраструктуру для работы на удалённом сервере. На старте обучения специальные программы устанавливать не обязательно — будут нужны только браузер и стандартные приложения для общения: Telegram, Zoom и Slack.
Все зависит от вашего бэкграунда и знаний до старта. Для вдумчивого прохождения может понадобиться от 20 часов в неделю, однако если какие-то темы из Python, МО или статистики вам уже знакомы – некоторые недели могут занять меньше времени.
Мы организовали обучение таким образом, чтобы вы могли совмещать его с работой, учёбой и личной жизнью. Заниматься вы сможете в любое время и в удобном для вас темпе — все лекции записаны заранее и разбиты на короткие видео по 15−30 минут, а для домашних заданий установлены мягкие двухнедельные дедлайны.
Обучение длится 7 месяцев. Каждую неделю будет проходить по два-три урока, доступ к которым будет открываться постепенно. Уроки состоят из видеолекций, конспектов и практических заданий, на выполнение которых отводится две недели. По истечении двухнедельного дедлайна будет открываться доступ к разборам заданий. Если во время обучения возникнут сложности, вы сможете обратиться за помощью к менторам. В течение курса вы будете работать над одним большим проектом и в конце пройдёте настоящее code-ревью.
После каждого модуля будет неделя каникул, во время которой вы сможете догнать программу, доделать домашние задания, подробнее ознакомиться с заинтересовавшими вас темами или просто отдохнуть.
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас работает команда поддержки, которая поможет разобраться со сложной задачей.
Если вдруг что-то пойдёт не по плану, и вы почувствуете, что отстаёте от программы, сообщите об этом кураторам курса. Вместе мы придумаем, как сделать ваше обучение более удобным.
Вы будете изучать Python. Сейчас это самый популярный язык программирования в сфере Data Science.
Конечно, сможете. Всё общение с преподавателями и однокурсниками будет проходить в Slack. В чате можно будет задать любые вопросы по обучению.
Вашими наставниками будут ML-инженеры из ведущих российских компаний, таких как Raiffeisen CIB и Яндекс. В этот курс они вложили все свои знания и опыт, полученные за многие годы работы. Во время обучения они будут рядом и помогут справиться с трудностями.
Да, останется. Лекции, конспекты и домашние задания будут доступны вам всегда, даже после окончания обучения. Единственное, к чему пропадёт доступ, это удалённый сервер. Но не волнуйтесь — мы заранее вас предупредим и дадим возможность сохранить все необходимые файлы.
Если вы уже работаете в Data Science, но для решения своих задач не применяете машинное обучение, наш курс поможет вам расширить кругозор. Если вы уже сталкивались в работе с ML-алгоритмами, то сможете актуализировать знания и получите хорошую базу для обучения на более продвинутых программах.
Практические задачи, которые вы будете решать, регулярно встречаются в повседневной работе ML-инженера. Поэтому вы сможете применить полученный опыт для решения большинства стоящих перед вами задач. Если ваша задача специфическая и требует нестандартного подхода к решению, вы сможете посоветоваться в чате с командой поддержки и преподавателями — вам обязательно помогут.
В интернете есть много открытых источников с полезной и при этом бесплатной информацией — сформировать ключевые компетенции можно и на её основе. Однако не у всех есть время самостоятельно искать и структурировать разрозненную информацию. Программа нашего курса составлена опытными методистами и охватывает все ключевые инструменты и навыки, которыми должен владеть ML-инженер. Она разработана таким образом, чтобы вы могли с нуля разобраться в сложных темах и за короткий срок освоить новую профессию. Кроме того, мы оказываем нашим студентам всестороннюю поддержку в процессе обучения.
Этот курс мы запустили недавно. На данный момент все студенты находятся в процессе обучения, поэтому отзывов от выпускников пока нет.