Курсы по машинному обучению в Омске

Освойте Machine Learning с нуля на реальных задачах и дайте старт своей карьере ML-инженера.

Чему научитесь:

• Понимать синтаксис Python: освоите циклы, коллекции, функции, библиотеки и ООП;
• Работать с базой данных и разрабатывать веб-приложения на Python;
• Разбираться в архитектуре нейронных сетей и работать с тензорами в PyTorch;
• Решать задачи классификации изображений, сегментации и детекции с использованием сверхточных нейронных сетей;
• Отбирать признаки, обучать, работать с ML-моделями и оценивать их качество6. Оценивать влияние моделей на бизнес с помощью статистики и A/B-тестов.

• Работа с данными и создание production-ready модели. Научитесь подготавливать и трансформировать данные. Сможете находить и устранять ошибки в данных. Создадите модель и настроите DVC-пайплайн её обучения.
• Улучшение baseline-модели. Добавите новые признаки в данные. Будете версионировать запуски и считать метрики. Подберёте параметры модели, используя современные инструменты.
• Релиз моделей в продакшен. Поймёте, как устроен процесс релиза модели в продакшен. Создадите микросервис с помощью FAST API для релиза модели в продакшен. Научитесь контейнеризировать микросервис с моделью с помощью Docker.
• Создание рекомендательной системы. Узнаете принципы коллаборативной фильтрации и контентных рекомендаций. Научитесь применять базовые модели для получения рекомендаций и проведёте валидацию и оценку их качеств. Будете использовать бустинг для улучшения рекомендаций и разберётесь в типовой архитектуре рекомендательной системы.
• Создание uplift-модели. Сможете объяснить принципы работы модели и самостоятельно построить модель uplift-моделирования. Научитесь улучшать перформанс модели через эксперименты. Подготовите модель uplift-моделирования к релизу.
• Выпускной проект. В итоговом проекте вы подтвердите, что освоили новые навыки, и пройдёте полный цикл работы с моделью: от формирования задачи и сбора данных до разработки модели и выкатки её в продакшен. Теперь без уроков и домашних заданий — всё как в реальной работе.

Изучите главные направления machine learning для профессионального роста в хайповой профессии. Вы сформулируете задачу для data science-проекта и спроектируете процесс решения, подберёте алгоритмы и метрики под задачу, научитесь строить модели машинного обучения и оценивать их качество.