ML Практикум: от теории к промышленному использованию
6-дневный интенсивный практикум предназначен для специалистов, которые хотят не только освоить современные методы машинного обучения, но и научиться внедрять их в реальные бизнес-процессы. Вы получите навыки, которые сразу можно применять в работе: от предобработки данных и построения моделей до их промышленной реализации, и взаимодействия с бизнесом.
| Код курса | Даты начала курса | Стоимость обучения | Длительность обучения | Формат обучения |
|---|---|---|---|---|
| PYML | 26 мая 2025 11 августа 2025 |
54 000 руб. | 24 ак.часов Количество дней: 6 |
Дистанционный |
| Регистрация | ||||
О продукте
Машинное обучение (Machine Learning) — это раздел искусственного интеллекта, изучающий математические, статистические и вычислительные методы для разработки алгоритмов, способных обучаться и решать задачи не прямым способом, а на основе поиска закономерностей в разнообразных входных данных. Решение вычисляется не по точно заданной формуле, а по установленной зависимости результатов от конкретного набора признаков и их значений.
На практике машинное обучение широко применяется в широком спектре исследовательских и прикладных задач:
- прогнозирование событий и ситуационный анализ, например, отток клиентов в ритейле или заблаговременное предсказание поломок промышленного оборудования;
- распознавание образов (изображений, лиц, голоса и т.д.);
- классификация образцов, в частности, рентгеновских снимков для постановки диагноза;
- выявление мошеннических операций (антифрод-системы в банках и cybersecurity).
Как именно Machine Learning можно использовать для конкретных бизнес-кейсов, вы узнаете в рамках нашего образовательного курса «Введение в машинное обучение».
Аудитория
- Data Scientists и аналитики, желающие углубить знания в ML-продакшн.
- Разработчики, планирующие работать с ML-моделями.
- Руководители IT-проектов, которым важно понимать этапы ML-разработки.
- Специалисты смежных областей, стремящиеся перейти в Data Science.
Уровень подготовки
- Базовый опыт программирования на Python (знание Pandas, NumPy — преимущество).
- Понимание основ математической статистики.
О курсе
Данный курс является практическим руководством для специалистов, которым предстоит столкнуться в рабочих задачах с методами машинного обучения. В курсе будет рассказано о формализации таких задачах и современных подходах к их решению. Большое внимание в курсе уделено практической реализации методов ML на языке Python.
Продолжительность: 6 дней, 24 академических часа.
Соотношение теории к практике 50/50
Программа курса «ML Практикум: от теории к промышленному использованию»
1. Задачи машинного обучения и основные подходы к их решению
Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета. (1,5 часа)
Практическая часть: первичный анализ датасета, предобработка данных, сквозной пример решения задачи машинного обучения. (2,5 часа)
2. Базовые методы решения задач классификации и регрессии
Теоретическая часть: определение и примеры задач классификации и регрессии. Линейные методы. Деревья решений. Проблема переобучения. Основные проблемы с данными. (1,5 часа)
Практическая часть: решение задач классификации и регрессии линейными методами и методами на основе деревьев решений. Подбор гиперпараметров. Примеры переобученных моделей. (2,5 часа)
3. Продвинутые методы решения задач классификации и регрессии
Теоретическая часть: Стэкинг, бэггинг. Градиентные бустинги на примере LightGBM, xgboost, catboost. GridSearch для подбора гиперпараметров. AutoML. (1,5 часа)
Практическая часть: подбор гиперпараметров по сетке значений для базовых алгоритмов. Разбор кейсов по обучению моделей градиентного бустинга. (2,5 часа)
4. Продвинутые методы обработки данных и работа с признаковым пространством
Теоретическая часть: Тематика обучения без учителя — кластеризация, понижение размерности. Визуализация и формирование гипотез о данных. Feature Engineering и Feature extraction. (1,5 часа)
Практическая часть: примеры решения задач кластеризации и понижения размерности. Feature Engineering для улучшения качества работы ML моделей. (2,5 часа)
5. Нейронные сети для решения задач машинного обучения
Теоретическая часть: нейронные сети, задачи CV, NLP. Предобученные сети, файнтюнинг. (1,5 часа)
Практическая часть: Примеры решения задач классификации изображений и текстов. Применение полносвязных сетей для решения задач классификации и регрессии. Сравнение с алгоритмами бустинга. (2,5 часа)
6. Практическое руководство по реализации моделей машинного обучения
Теоретическая часть: сохранение результатов экспериментов и версионирование моделей и датасетов. Воспроизводимость экспериментов. Форматы сериализации моделей и пути продуктивизации: функциональная обертка, REST API сервис. Лучшие практики. (1,5 часа)
Практическая часть: создание веб-сервиса на фреймворке FastApi. Демонстрация MLFlow и AirFlow. (2,5 часа)
Отправить ссылку на:
Чему Вы научитесь:
Свободно ориентироваться в методах ML:
- Выбирать оптимальные алгоритмы под конкретные задачи.
- Понимать сильные и слабые стороны моделей.
Управлять полным циклом ML-проектов:
- Планировать этапы: от анализа данных до ввода моделей в эксплуатацию.
- Работать с инструментами версионирования (MLFlow) и оркестрации (AirFlow).
Коммуницировать с бизнесом:
- Интерпретировать метрики качества на языке бизнес-целей.
- Обосновывать эффективность решений для не-technical аудитории.
Создавать работающие решения:
- Разворачивать модели как REST API (FastAPI).
- Применять AutoML и продвинутые техники Feature Engineering.
Что Вы получите:
Успешно окончив курс «ML Практикум: от теории к промышленному использованию» в нашем лицензированном учебном центре, вы получите удостоверение о повышении квалификации установленного образца.
Кто проводит курс
Профессиональные компетенции:
- Руководитель группы Data Science в НИИ “Квант”, Москва
- Computer vision (CV) – решение задач по классификации и детектировании объектов на фото и видео, идентификации человека, сегментации изображений и распознаванию текста с библиотеками OpenCV, Tensorflow API и архитектурами нейронных сетей Yolo, SSD, fRCNN, U-net и пр.
- Natural language processing (NLP) – решение задач по классификации текстов, извлечению именованных сущностей (NER) и ключевых слов с библиотеками gensim, nltk, fasttext, spacy и др. Построение различных архитектур на основе искусственных нейронных сетей с использованием различных представлений слов (Embedding, Word2Vec) и готовых нейросетевых решений (Bert, fastai)
- Time series analysis – решение задач обработки, анализа и классификации аудио сигналов с библиотеками librosa, ffmpeg и различных архитектур нейронных сетей, а также предсказание значений временных рядов (time series forecasting) в приложении к котировкам активов с использованием классических решений (ARMA, ARIMA) и моделей на базе сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (LSTM,GRU) и их комбинаций.
- Проекты сегментации сигналов с различных датчиков и приборов и распознавания речи (speech-to-text) с облачными сервисами Yandex и Google.
Профессиональные компетенции:
- Ведущий Data Scientist в ФГУП “Центр информационных технологий”, Москва
- Руководитель программ в Университете искусственного интеллекта, Москва.
- Кандидат наук (2017 год, Московский государственный университет им. М.В. Ломоносова, Москва)
Чтобы записаться на курс PYML: ML Практикум: от теории к промышленному использованию позвоните нам по телефону +7 (495) 414-11-21 или заполните форму регистрации ниже.