Стань ML-инженером за 8 месяцев
Mathshub
Сложность
Для новичков
Длительность
8 мес
Описание курса
ML-инженер обучает нейросети и разрабатывает проекты на основе алгоритмов машинного обучения. Он создаёт и оптимизирует модели машинного обучения. Его задача — доработать модель до её релиза в продакшен. ML-engineering — ответвление от Data Science, которое больше работает с искусственным интеллектом.
Программа курса
Основы Python
- Строки
- Списки
- Цикл for
- Вложенные списки
- Условный оператор. Цикл while
- Функции
- Структуры данных в Python: List and tuples, Dictionary and Sets
- Pandas для анализа данных
- Предобработка данных
- Анализ данных и оформление результатов в Jupyter Notebook
- Сортировка, поиск, регулярные выражения.
- Итераторы и генераторы
- Numpy
- Введение в ООП.
Основы SQL
- Основы базы данных, структура данных
- Создание таблиц и DDL команды
- SELECT, WHERE
- Все виды join
- Group by, Having
- Оконные функции, фреймы оконных функций
- Индексы и оптимизация запросов
EDA
- Введение в разведывательный анализ данных. Алгоритмы и методы
- Математическая статистика в контексте EDA. Типы признаков
- Линейная алгебра в контексте Линейных методов.
- Математический анализ в контексте задачи оптимизации
- Теория вероятностей и математическая статистика
- Теория вероятностей в контексте Наивного Байесовского классификатора
- Анализ данных
Алгоритмы и структуры данных
- Алгоритмы и структуры данных
- Линейный и бинарный поиск
- Сложность алгоритма
- Как оценивать время исполнения
- Как решать алгоритмические задачи
- Как тестировать свою программу
Математика
- Степени и логарифм. Пределы и последовательности.
- Функции и их графики
- Дифференцирование
- Интегрирование
- Векторы, матрицы и операции с ними
- Сингулярное разложение матриц
Статистика
- Статистики распределений, взаимосвязь случайных величин, показатели корреляции
- Проверка гипотез, параметрические статистические критерии
- Непараметрические статистические критерии
- Метод максимума правдоподобия и ядерная оценка плотности
- Дизайн A/B эксперимента
- А/А-эксперименты и валидация методики экспериментирования
- Ошибки при проведении A/B тестов
- Увеличение чувствительности А/В тестов
- Невозможность проведения А/В тестов
- Roll-out test
- Causal Inference
Продуктовая аналитика
- Гипотезы и работа с ними
- Метрики и работа с Amplitude
- От стратегии до тактики через управление метриками
Инструменты визуализации
- Как работает и для чего нужна визуализация
- Как обманывать с помощью графиков
- Принципы хорошего графика
- Основы в построении отчетов, разбор разных BI-инструментов
- Много времени уделим практике и вместе освоимся в интерфейсе Tablea
Machine Learning
- Введение в МО: каким оно бывает и каковы основные компоненты метрики и задача линейной регрессии
- Градиентный спуск
- Обобщающая способность модели: метод отложенной выборки / Кросс-Валидация
- Полезные приемы при работе с данными
- Линейная классификация: оценка вероятности
- Матрица ошибок и основные метрики классификации
- ROC, PR-кривые
- AUC-ROC, AUC-PR
- Градиентный бустинг
- Bias-variance trade-off
- Кластеризация
- Рекомендательные системы
- Машинное обучение: классические задачи и алгоритмы
- Создание ML-пайплайна с нуля
- Развитие ML-пайплайна.
Deep Learning
- Нейрон и функция активации. Простейшая нейронная сеть
- Обучение нейросети (эпохи, mini-batch gradient descent, loss function, cross-entropy loss)
- Batchnorm, dropout, регуляризация весов и ранняя остановка
- Backpropagation
- Transfer learning
- Learning rate, adaptive LR
- Softmax
- MLP: перцептроны, устройство
- Data processing: аугментация
- Data processing: нормализация батчей
- Архитектура, принцип работы свертки
- Типы слоев
- Гиперпараметры фильтров.
Преподаватели
Георгий Милютин
EDA / математика / статистика / А/В тестирование
София Лукьянова
машинное обучение и программирование
Татьяна Гайнцева
машинное обучение и компьютерное зрение
Иван Кузнецов
управление продуктом / финтех
Показать еще
Часто задаваемые вопросы
Кому подойдет программа?
Вам подойдет программа, если у вас есть готовность много и плотно работать над построением навыков разработки.
Чем эта программа лучше других?
Это полностью живая программа, в отличие от других альтернатив. Программа уникальна благодаря опытной команде специалистов: у преподавателей курса, рецензентов и организаторов объединенный опыт разработки и управления продуктами в международных компаниях. У каждого коуча, инструктора и преподавателя огромный опыт преподавания.
Похожие курсы
ООО «Байскилз», УНП 193454177
220012, Республика Беларусь, г. Минск, ул. Толбухина, 2, пом.19
Свидетельство о государственной регистрации
№193454177 от 06.08.2020 выдано Минским горисполкомом
ОКЭД 62010 - Деятельность в области компьютерного программированияООО «Байскилз» не оказывает образовательные услуги и (или) услуги по обучению
© ООО «Байскилз», 2026
© ООО «Байскилз», 2026