[DataGym] Тренируем ваши знания Data Science. Очный курс по машинному обучению

Robot · 13 Авг 2021

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 ₽