DataGym (Петр Ермаков, Андрей Шестаков)

[Moderator]

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. Продолжение описания 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. 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 ₽