Работа с данными
Сможете подготавливать и исследовать данные, выделять признаки и замечать проблемы, которые влияют на обучение.
Освойте основы машинного обучения — от подготовки данных и выбора алгоритма до обучения, оценки и применения модели. На курсе вы разберётесь, как компьютерная программа находит закономерности в данных, строит прогнозы и помогает решать практические задачи: классифицировать объекты, оценивать вероятности, группировать похожие записи и анализировать изображения или текст.
Теория будет связана с практикой на Python. Вы научитесь собирать и исследовать данные, находить пропуски и ошибки, подготавливать признаки, делить выборку на обучающую и проверочную, выбирать метрики и сравнивать результаты моделей. Такой рабочий процесс помогает понять, почему модель ошибается и какие изменения действительно улучшают её качество.
Постепенно вы перейдёте от классических алгоритмов к нейронным сетям. Изучите обучение с учителем и без учителя, познакомитесь с обучением с подкреплением и переносом обучения, а также рассмотрите архитектуры для работы с таблицами, изображениями, последовательностями и текстом. Отдельное внимание уделяется тому, как применять готовые модели и адаптировать их под конкретную задачу.
Программа знакомит с инструментами, которые используются в современном ML-процессе: от библиотек анализа данных и фреймворков для обучения до средств запуска и интеграции моделей. Вы научитесь выбирать подходящий инструмент, проводить эксперименты и оформлять результат в виде проекта, который можно развивать дальше.
Курс подойдёт тем, кто хочет получить фундаментальные знания и практический старт в направлении Machine Learning Engineer. Вы освоите базовые этапы работы с ML-моделями и создадите собственные учебные проекты. Глубина отдельных тем и набор применяемых технологий будут зависеть от уровня группы, задач и доступных вычислительных ресурсов.
Получите системное введение в машинное обучение: от данных и базовых алгоритмов до нейросетей и оценки результатов.
Расширите навыки разработки и научитесь включать обработку данных, обучение моделей и прогнозирование в программные проекты.
Разберёте рабочий процесс построения моделей и сможете увереннее проверять гипотезы на данных.
Поймёте, как ML применяется для прогнозирования, классификации, поиска закономерностей и оптимизации процессов.
Закрепите теоретические знания практикой с Python и библиотеками машинного обучения.
Сформируете фундамент для дальнейшего изучения нейронных сетей, моделей машинного обучения и их применения в продуктах.
Обучение проходит онлайн и сочетает объяснение ключевых концепций с практической работой в Python. Вы будете разбирать примеры, запускать алгоритмы на данных, сравнивать прогнозы и оформлять выводы. По мере продвижения курса задания будут становиться сложнее: от анализа готового набора данных до самостоятельной сборки и проверки модели.
Практика строится вокруг полного ML-цикла: сформулировать задачу, подготовить данные, выбрать подход, обучить модель, оценить качество и объяснить результат. В итоговом проекте вы примените несколько изученных этапов к одной задаче и представите, как полученная модель может использоваться дальше.
Основой практики станет Python. Для работы с данными и вычислениями будут рассматриваться NumPy, Pandas и SciPy, а для визуального анализа — Matplotlib и Seaborn. Вы будете использовать Jupyter Notebook или аналогичную среду, чтобы исследовать наборы данных, выполнять эксперименты и фиксировать результаты.
Помимо библиотек вы познакомитесь с основами работы с GPU и облачными вычислениями там, где этого потребует задача. Важно понимать назначение каждой группы инструментов: одни помогают анализировать данные, другие обучают модели, третьи ускоряют или упрощают их запуск. Не все перечисленные технологии используются в каждом проекте — стек подбирается под учебную задачу и доступное оборудование.
Начнёте с базовых нейронных сетей и разберёте слои, функции активации, функцию потерь, градиентный спуск и основные этапы обучения.
Изучите, как свёрточные слои извлекают признаки из изображений и других пространственных данных. Рассмотрите задачи классификации изображений и типичный процесс подготовки таких данных.
Познакомитесь с моделями для последовательных данных и временных рядов. Разберёте, как LSTM и GRU помогают учитывать контекст на последовательных шагах, и сравните их с современными подходами.
Изучите базовую идею механизма внимания и применение трансформеров для текста и других последовательностей. На практике познакомитесь с использованием предварительно обученных моделей и их адаптацией под задачу.
Рассмотрите принцип работы генератора и дискриминатора, которые обучаются в состязательном процессе, и познакомитесь с учебными задачами генерации данных.
Программа последовательно знакомит с основами машинного обучения, анализом данных, классическими алгоритмами и нейронными сетями. Практические задания помогут пройти ключевые этапы построения модели и собрать итоговый проект.
Разберётесь, какие задачи решает машинное обучение, как данные превращаются в прогноз и из каких этапов состоит ML-проект. Научитесь формулировать задачу и выбирать измеримый результат.
Освоите рабочую среду Jupyter и познакомитесь с Python-инструментами для вычислений и обработки данных. Потренируетесь загружать наборы данных и выполнять первичный анализ.
Научитесь проверять качество данных, работать с пропусками, выбросами и категориальными признаками. Разберёте разделение выборок, нормализацию и риск утечки данных между обучением и проверкой.
Изучите базовые модели регрессии и классификации, научитесь собирать простой ML-конвейер, обучать алгоритм и получать прогнозы на новых примерах.
Познакомитесь с метриками, валидацией, переобучением и подбором параметров. Научитесь сравнивать модели и объяснять, какое решение лучше подходит для поставленной задачи.
Рассмотрите кластеризацию, снижение размерности и поиск структуры в данных без готовых ответов. Попробуете интерпретировать полученные группы и ограничения таких методов.
Познакомитесь с XGBoost, LightGBM и CatBoost на учебных примерах. Сравните результаты бустинга с другими алгоритмами и разберёте особенности работы с табличными данными.
Разберёте основные компоненты нейронной сети, цикл обучения и работу с PyTorch и TensorFlow / Keras 3. Создадите базовую модель и проследите, как меняется её качество при настройке обучения.
Познакомитесь с ключевыми архитектурами для изображений, последовательностей и текста, а также с генеративно-состязательным подходом. Сравните их области применения и потренируетесь использовать готовые модели там, где это уместно.
Адаптируете предварительно обученную модель или доработаете выбранный алгоритм. Подготовите итоговый проект, оцените его результат и рассмотрите варианты интеграции или запуска модели с помощью ONNX Runtime, vLLM либо другого подходящего инструмента.
Вы получите целостное представление о работе над ML-задачей: от анализа исходных данных до выбора модели, проверки её качества и представления результата.
Сможете подготавливать и исследовать данные, выделять признаки и замечать проблемы, которые влияют на обучение.
Научитесь обучать базовые модели классификации и регрессии, сравнивать варианты и выбирать метрики.
Получите фундаментальное представление о CNN, RNN, LSTM, GRU, Transformers и GAN.
Познакомитесь с экосистемой библиотек для анализа данных, классического ML и глубокого обучения.
Освоите Python-инструменты для анализа и машинного обучения, а также получите практический опыт работы с классическими алгоритмами и нейронными сетями.
Разберётесь в transfer learning и познакомитесь с предварительно обученными моделями из экосистемы Hugging Face.
Пройдёте ключевые этапы ML-процесса и подготовите модель для демонстрации или дальнейшей доработки.
$350 / месяц
Формат оплаты — ежемесячная подписка. Стоимость включает два занятия в неделю, практические задания и работу над собственными проектами в рамках программы курса.
Вы изучите основы работы с данными, классические алгоритмы машинного обучения, методы обучения моделей и основные типы нейронных сетей. Практика будет выполняться на Python.
Курс включает знакомство с Python-инструментами для анализа данных. Базовые навыки Python и математики помогут быстрее включиться в практику; глубина входных требований зависит от набора и формата группы.
Обучение с учителем и без учителя, основы обучения с подкреплением, RLHF как отдельная тема и трансферное обучение.
Полносвязные сети, CNN, рекуррентные сети RNN, включая LSTM и GRU, трансформеры и GAN.
В программе представлены Python-инструменты анализа данных, Scikit-learn, PyTorch, TensorFlow / Keras 3, MLX, Hugging Face Transformers, XGBoost, LightGBM, CatBoost, PyTorch Lightning, ONNX Runtime, vLLM, LangChain и LlamaIndex. Конкретный набор зависит от учебных задач и оборудования.
Вы познакомитесь с основами обучения нейронных сетей и будете выполнять практические задания на доступных примерах. Для некоторых задач также рассмотрите transfer learning и адаптацию предварительно обученных моделей.
Для базовой работы с данными и небольшими моделями подойдёт обычный компьютер. Для более тяжёлых экспериментов могут использоваться облачные вычисления или заранее подготовленные учебные среды.
Курс даст фундаментальные знания и практические навыки для дальнейшего развития в направлении Machine Learning Engineer. Для самостоятельной профессиональной работы обычно требуется продолжать практиковаться и накапливать опыт на проектах.
В классическом обучении с подкреплением агент получает сигналы вознаграждения за действия в среде. RLHF использует обратную связь и предпочтения людей для настройки поведения генеративной модели; в программе это отдельная вводная тема.
Вы познакомитесь с трансформерами, готовыми моделями и принципами их адаптации. Полномасштабное обучение больших моделей с нуля требует значительных вычислительных ресурсов, поэтому практика будет ориентирована на учебные задачи и доступные способы работы с моделями.
Вы представите учебный ML-проект с постановкой задачи, подготовкой данных, обученной моделью и оценкой результата. Формат и сложность проекта будут зависеть от выбранной темы и уровня группы.