Инженер машинного обучения

Основы практической статистики

Статистические показатели, виды распределений, корреляция, проверка гипотез, работа с Google Таблицей. 8 часов теории, 14 часов практики.

SQL и получение данных

Архитектура БД, запросы, join, агрегаты, импорт/экспорт данных, ETL, работа с консолью и psql. 20 часов теории, 32 часа практики.

Основы Python и аналитические библиотеки

Типы данных, циклы, NumPy, Pandas, парсинг, работа с API, регулярные выражения. 59 часов теории, 47 часов практики.

Работа с признаками и построение моделей

Очистка данных, PCA, LDA, NMF, деревья решений, логистическая, линейная и полиномиальная регрессия, Random Forest. 42 часа теории, 37 часов практики.

Разработка и обучение нейросетей

Полносвязные сети (LeNet, AlexNet), Keras, свёрточные и рекуррентные сети, автоэнкодеры, GAN. 10 часов теории, 6 часов практики.

Разбор тестовых заданий

Практика решения задач из актуальных вакансий с экспертами Яндекса, Т-Банка и Сбера. Подготовка к собеседованиям.

Работа с потоковыми данными

Clickhouse, Kafka, Kafka Streams, Spark Streaming, Data Lake & Hadoop. 12 часов теории, 9 часов практики.

Проектирование DWH

Архитектура Data Warehouse, Data Quality, Data Governance, инструменты работы с хранилищами. 17 часов теории, 32 часа практики.

MLOps

DevOps, Docker, микросервисы, k8s, CI/CD, мониторинг, инструменты для обучения ML-моделей. 8 часов теории, 25 часов практики.

Дипломный проект

Создание ML-модели по выбранной теме (включая данные с Kaggle) с индивидуальными консультациями руководителя.

Бонусные темы: Математика для анализа данных

Линейная алгебра, теория вероятностей, математический анализ, теория оптимизации.

Бонусные темы: Нейросети для технических задач

Использование генеративного ИИ (ChatGPT, GPT-4) для работы с таблицами, SQL, кодом и поиска работы. 2,2 часа теории, 1,5 часа практики.

Специализация: Компьютерное зрение (CV-инженер)

Извлечение признаков, поиск по картинкам, сегментация, детекция объектов, CNN, RNN. 21 час теории, 12 часов практики.

Специализация: Обработка естественного языка (NLP-разработчик)

Морфологический и синтаксический анализ, тематическое моделирование, информационный поиск, генерация текстов. 21 час теории, 12 часов практики.

Специализация: Глубокое обучение (Deep learning)

Общий модуль: многослойные сети, свёрточные сети, рекуррентные сети, механизм внимания. 16 часов теории, 16 часов практики.

Онлайн (видеолекции, вебинары, без привязки к строгому графику)

• Более 100 экспертов и оркестратор ИИ-агентов, ML-инженеры из Яндекса, Сбера, Amazon, Т-Банка и других крупных компаний.

• Статистический анализ данных и проверка гипотез
• Написание SQL-запросов и работа с базами данных
• Программирование на Python (NumPy, Pandas)
• Построение и обучение ML-моделей (регрессия, классификация, Random Forest)
• Разработка и обучение нейросетей (CNN, RNN, GAN) с использованием Keras
• Работа с потоковыми данными (Kafka, Spark Streaming, Clickhouse)
• Проектирование Data Warehouse (DWH)
• MLOps: Docker, Kubernetes, CI/CD
• Использование генеративного ИИ (GPT-4, Алиса AI) для разработки и аналитики
• Компьютерное зрение (CV): детекция, сегментация
• Обработка естественного языка (NLP): классификация, извлечение информации

• Начинающие специалисты, желающие освоить профессию ML-инженера с нуля
• Аналитики данных, желающие перейти в Data Science и Machine Learning
• Разработчики, желающие углубить знания в области ИИ и нейросетей

Нет строгих требований, курс рассчитан на обучение с нуля. Необходима готовность к самостоятельному изучению материалов в своем темпе.