Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
Программа
6 недель точечно закрываем каждый блок-фактор
Не просто теория, а выжимка всего опыта от TeamLead из Яндекса. Лучшие практики из BigTech, разбор реальных бизнес-кейсов и много кода, который ты напишешь самостоятельно
Вводная часть
Неделя 1. Feature Engineering, Bias и согласованность данных
Неделя 2. Модели: оптимизация и нестандартные сценарии использования ML
Неделя 3. Real-time ML, потоковая обработка, мониторинг и обслуживание
Неделя 4. Feature Store, MLOps, оптимизация ресурсов
Неделя 5. Связка продуктовых и бизнес-метрик
Неделя 6. Дипломный проект
В итоге прокачаем hard’ы до уровня Senior в BigTech и научимся:
Работать с «грязными» данными, искать смещения и дрифты
Использовать Feature engineering в real time системах и генерировать признаки с пониманием вычислительной сложности
Оптимизировать ML-модели для продакшна
Использовать специфику актуальных ML/DL моделей для работы с табличными и текстовыми данными
Контролировать жизненный цикл моделей в продакшне и строить мониторинги
Работать с MLOps инструментами и взаимодействовать с инфраструктурой
Преподает: Дмитрий Сафонов, Data Science Team Lead в Яндекс
разрабатываю алгоритмы антифрода рекламы, руковожу ML-командой - Яндекс
cтроил прогнозные модели биржевых индикаторов, разработал инфраструктуру для автоматизации ML-процессов - Quantum Brains
преподавал анализ данных на Python - СПБГЭУ
Тариф Стандарт