ML-інженер – це спеціаліст, який знаходиться на стику аналізу даних та розробки. Він має вміти писати код, будувати математичні моделі та розуміти потреби бізнесу.
Ми склали програму курсу таким чином, щоб будь-який бажаючий без сильної математичної підготовки зміг розібратися з усіма етапами роботи: від збору даних та застосування класичних алгоритмів до навчання нейромереж та проведення A/B-тестів.
Шукати роботу в новій професії непросто, тому ми вирішили поділитися своїм досвідом та приділили окрему увагу підготовці до співбесід та розбору популярних завдань.
Одним словом, у вас перед вами – вичерпний starter pack для початку кар’єри в ML і Data Science.
ПРОГРАМА КУРСУ
1. ПРИКЛАДНА РОЗРОБКА НА PYTHON
Почнемо з основ програмування, навчимося писати код на Python і освоїмо бібліотеки для аналізу даних та машинного навчання. Навчимося працювати з базами даних та розберемося, як за допомогою SQL-запитів отримувати дані для моделей. Поговоримо про архітектуру додатків та дізнаємося, як контролювати версії за допомогою Git. Напишемо прототип майбутнього ML-сервісу та налаштуємо все необхідне для його роботи.
2. МАШИННЕ НАВЧАННЯ
Познайомимося із класичними алгоритмами машинного навчання. Розглянемо все від найпростіших лінійних моделей до градієнтного бустингу на вирішальних деревах. Навчимося готувати дані для моделей, налаштовувати різні параметри та оцінювати якість роботи ML-алгоритмів. Обговоримо тонкощі розробки рекомендаційних систем, навчимо модель даних соціальної мережі і зв’яжемо її з нашим додатком.
3. ОСНОВИ DEEP LEARNING
Глибинне навчання та нейронні мережі дозволяють вирішувати завдання, у яких класичні моделі безсилі: розпізнавання облич, детекція об’єктів на зображеннях, генерація осмисленого тексту. Розберемо популярні архітектури нейромереж, навчимося застосовувати передбачені моделі та тренувати свої. Побудуємо просунуту модель та вдосконалимо наш алгоритм рекомендацій.
4. СТАТИСТИКА ТА A/B-ТЕСТИ
Розглянемо основні поняття теорії ймовірностей та математичної статистики. Навчимося проводити A/B-тести та достовірно оцінювати вплив ML-моделей на продукт та бізнес. Обговоримо підводне каміння проведення експериментів та способи оцінки метрик у ситуаціях, коли A/B-тест провести неможливо. Реалізуємо свою систему тестування та дізнаємося, чи вдалося нам підвищити якість рекомендацій порівняно з базовим рішенням.
5. ПІДГОТОВКА ДО СПІВДІВ
Поділимося своїм досвідом та розповімо, як проходять співбесіди на Junior ML-інженера: розберемо алгоритмічні завдання на Python, а також популярні питання з машинного навчання, статистики та А/В-тестів. Практичні завдання допоможуть набратися впевненості у своїх знаннях, заздалегідь набити руку та впевнено пройти цей непростий етап.