Всё про самую увлекательную профессию 21 века: от сбора данных до оценки эффекта от моделей машинного обучения
Чем занимаются ML-инженеры:
В современном мире бизнес сталкивается со многими проблемами, которые требуют неординарных решений. Например, как идентифицировать клиентов, которые хотят уйти, и сохранить их с помощью ценовых факторов?
Работа ML-инженера заключается в решении подобного рода задач и создании систем, которые работают лучше и быстрее, чем решения, сделанные простым человеком.
Для кого эта программа:
- Уже работаете в IT. Вы уже работаете в IT, но хотите перейти в новую сферу или расширить свои знания и навыки, чтобы применить их в различных областях машинного обучения.
- Старт карьеры. Хотите изучить машинное обучение, но не знаете, с чего начать. Курс научит вас необходимой математической базе для работы в ML и даст навыки для старта карьеры.
Программа курса:
1. Прикладная разработка на Python
Python — один из самых популярных инструментов для анализа данных. В этом блоке мы научимся работать с этим языком, познакомимся с основными библиотеками для ML и узнаем, как грамотно использовать Python при командной работе. Также мы посвятим время изучению инструментов для работы с базами данных, как с помощью классического SQL, так и с помощью Python кода. Полученных знаний будет достаточно для работы не только в области анализа данных, но и в классической разработке на Python.
2. Машинное обучение и приложения
Классические методы машинного обучения — это основа для большинства современных способов анализа данных, например, для оптимизации банковского ценообразования. Мы изучим основной теоретический инструментарий для успешного построения ML-дизайна в острых проблемах реальной индустрии и отточим новые навыки на практике.
3. Обзор основ Deep Learning
Глубинное обучение с использованием нейронных сетей появляется тогда, когда классические модели бессильны: детекция объектов с картинки, генерация осмысленного текста, определение тональности звуковой дорожки и многое другое. В данном курсе мы обзорно посмотрим на решения, которые можно сделать с помощью deep learning, и попробуем в них разобраться.
4. Статистика и A/B-тесты
В этом блоке мы изучим основные понятия математической статистики, необходимые для улучшения моделей. Научимся правильно проводить A/B тестирование, чтобы достоверно измерять влияние внедрения ML моделей на продукт и бизнес. Обсудим нюансы при проведении экспериментов и способы оценки метрик при невозможности проведения A/B-теста.
5. Собеседования и как их пройти
В последнем блоке курса мы еще раз вспомним основные моменты из всего курса и обсудим, как проходят собеседования на младшего специалиста в машинном обучении, как к ним готовиться и как их проходить. Мы хотим поделиться своим опытом и помочь пройти первый этап в поиске профессии мечты.
