Профессия Machine Learning Engineer

Программа профессии

• 12 месяцев обучения
• 3 проекта в портфолио
• Доступ навсегда
• Обновлена в 2024 году

1. Уровень 0: Базовая подготовка — 5 месяцев
   1. Введение в Data Science Этот блок нужно пройти, чтобы получить основные навыки работы с данными.

      • Введение в курс
      • Business Understanding. С чего начинается работа с данными
      • Data Understanding. Excel
      • Введение в Python
      • Переменные и типы данных
      • Условия
      • Циклы
      • Алгоритмы и структуры данных
      • Функции
      • Коллекции в Python
      • Чтение файлов в Python и командной строке
      • Библиотека Pandas
      • Получение данных с помощью API
      • Базы данных
      • Язык запросов SQL
      • Power BI
      • Data Preparation
      • Разведочный анализ данных: Data Cleaning
      • Разведочный анализ данных: Data Visualization
      • Разведочный анализ данных. Feature Engineering
      • Modeling
      • Машинное обучение
      • Линейные модели и нейронные сети
      • Метрики в аналитике
      • Маркетинговая аналитика
      • Продуктовая аналитика
      • Modeling. Заключение
      • Evaluation
      • Deployment
      • Модель как API
      • Мониторинг моделей
      • Airflow
      • Заключение
   2. Финальная работа совместно с СберАвтоподписка Вам предстоит изучить предоставленный датасет, ответить на вопросы из общей части (подразумевающей базовую обработку данных и их разведочный анализ) и выполнить задание по специализации.
   3. Основы математики для Data Science Пройдите этот блок, чтобы разобраться, как работают различные методы анализа данных, как строятся модели прогнозирования и как выявляются связи между разными переменными.

      • Аналитика и ML. Базовые математические объекты и SymPy. Дроби и преобразования
      • Аналитика и ML. Базовые математические объекты и SymPy. Необходимые функции и некоторые дополнительные объекты
      • Аналитика и ML. Функции одной переменной, их свойства и графики
      • ML. Интерполяция и полиномы
      • ML. Аппроксимация и преобразования функций
      • ML. Аппроксимация и производные
      • ML. Функции нескольких переменных, их свойства и графики
      • ML. Частные производные функции нескольких переменных
      • ML. Векторы и Матрицы. Градиент
      • ML. Линейная регрессия и системы линейных уравнений
      • Задача аппроксимации как матричное уравнение
   4. Основы статистики и теории вероятностей Из этого блока вы узнаете, как измерить вероятность разных событий и оценить надёжность полученных выводов.

      • Введение в теорию вероятностей
      • Случайные события
      • Случайная величина
      • Непрерывные распределения. Общие сведения
      • Основные виды непрерывных распределений
      • Статистические тесты
2. Уровень 2: углубление знаний — 3 месяца
   1. Machine Learning. Advanced Освоите алгоритмы для построения рекомендательных систем и прогнозирования временных рядов.

      • Введение
      • Auto ML. Часть 1
      • Auto ML. Часть 2
      • Введение в Computer Vision
      • Нейронные сети и Computer Vision
      • Нейронные сети и NLP. Часть 1
      • Нейронные сети и NLP. Часть 2
      • Введение в рекомендательные системы
      • Коллаборативная фильтрация
      • Бизнес оценка рекомендательных систем
      • Продвинутые инструменты ML инженера
      • Временные ряды
      • Прогнозирование временных рядов с помощью других методов
      • Мониторинг качества. Бонус-модуль
   2. Deep Learning Научитесь работать с нейросетями

      • Подробно узнаете, как устроены нейросети, как использовать предобученные модели, готовить и передавать данные в нейросеть, строить и тестировать архитектуры, настраивать параметры и обучать модели на GPU.
   3. Natural Language Processing Научитесь применять алгоритмы машинного обучения и нейронные сети для обработки естественного языка

      • Поработаете с языковыми моделями: Bert, Elmo и другими.
      • Узнаете, как анализировать тональность текстов, классифицировать их, распознавать речь.
   4. Computer Vision Научитесь работать с алгоритмами компьютерного зрения.

      • С помощью алгоритмов машинного обучения и нейросетей будете распознавать объекты, лица и эмоции, классифицировать и сегментировать изображения.
      • Научитесь применять и адаптировать готовые модели CV для своих целей.
   5. Итоговый проект Поработаете с алгоритмами компьютерного зрения (CV) и обработки естественного языка (NLP)
3. Дополнительные курсы
   1. Основы статистики и теории вероятностей Advanced Научитесь применять основные принципы статистики и теории вероятностей при работе с задачами Data Science. Поймете, как устроены алгоритмы машинного обучения, как в них применяются математическая статистика и теория вероятностей.

      • Gentle introduction. Теория вероятностей в Python
      • Оценивание
      • Проверка гипотез: теория
      • Проверка гипотез: практика
      • Совместные распределения
      • Исследование зависимостей
      • Временные ряды
      • Дополнительные главы (частотный и байесовский подходы, энтропия и дивергенция, формула Байеса)