Обучение по направлению машинное обучение в Людиново

Глубокое погружение в инженерию машинного обучения. Станьте специалистом, внедряющим машинное обучение в бизнес-процессы.

О программе

• Длительность: 18 месяцев, 4 ак. ч. в неделю
• Формат: живое общение с преподавателем на онлайн-вебинарах 1 раз в неделю
• Документ: диплом о профессиональной переподготовке МФТИ
• Уровень: продвинутый — для успешного обучения необходимы входные знания

Особенности программы

Обучение проводится совместно с основной образовательной программой специализированного высшего образования (магистратурой) кафедры ФПМИ МФТИ «Алгоритмы и технологии программирования».

• Обучение проходит в среде, максимально приближенной к реальной разработке.
• Преподаватели и обучающиеся работают в ведущих ИТ-компаниях и решают практические задачи индустрии.
• Высокий темп обучения, сложные прикладные задачи и значительный объём самостоятельной работы.

Выбирая программу профессиональной переподготовки, вы становитесь частью единого образовательного процесса и проходите обучение вместе со слушателями программы специализированного высшего образования.

Как проходит обучение

• Лекции и семинары с преподавателем МФТИ. Все преподаватели — признанные профессионалы в своей области. Занятия совмещают теорию и практику: вы видите экран преподавателя, задаёте вопросы, получаете обратную связь.
• Тесты в качестве промежуточной проверки знаний. Домашние задания с обратной связью. Проектная работа.
• Запись занятий и доступ на время обучения. Вы сможете пересмотреть занятие в записи, чтобы лучше усвоить пройденную тему.
• Поддержка от преподавателей в чате курса. Вы будете добавлены в чат, где сможете общаться с сокурсниками, куратором школы и преподавателем: задавать вопросы, делиться опытом.
• Не прощаемся после курсов. Делимся информацией о тематических конференциях, вебинарах, вакансиях и стажировках.

Кому подойдёт программа

• ML-инженерам: желающим повысить компетенции в области Machine Learning. Программа поможет расширить профессиональные навыки и продвинуться по карьерному пути.
• Программистам: освоите основные алгоритмы машинного обучения, обучите рекомендательную систему, примените полученные навыки Machine Learning на практике.
• Аналитикам: если вы работаете с большим объёмом данных и хотите систематизировать и углубить знания Machine Learning.

Необходимый уровень знаний

Для успешного прохождения нужно владеть Python, знаниями базовой математики, основами линейной алгебры, математической статистики, основами машинного обучения, Spark, Hadoop, Docker.

Преподаватели программы

Мурат Апишев — преподаватель

Руководитель направления RnD в сфере NLU/NLP компании Just AI, старший преподаватель МФТИ, лектор онлайн-курсов «Нетология».

Олег Ивченко — руководитель программы

Разработчик системы HJudge — системы автоматизированного тестирования Hadoop-приложений, системный администратор инфраструктуры больших данных в группе Яндекс-CERN, преподаватель курсов по обработке больших данных в МФТИ, ВШЭ, ШАД, Harbour.Space.

Валентин Малых — преподаватель

Научный сотрудник Лаборатории нейронных систем и глубокого обучения МФТИ / Senior Research Scientist at Huawei.

Николай Анохин — преподаватель

Программист-исследователь VK, специалист в области машинного обучения и обработки больших данных.

Что получите после обучения

Вы получите диплом о профессиональной переподготовке МФТИ установленного образца и удостоверения о повышении квалификации по всем пройденным курсам, которые ценят работодатели.

• Материалы и сопровождение: записи и материалы доступны в течение года после окончания обучения, а студенты вливаются в профессиональное сообщество и получают обратную связь от преподавателей после окончания обучения.
• Всё для быстрого карьерного роста: фундаментальные знания и практические навыки, позволяющие значительно увеличить доход за несколько лет.

Программа ориентирована на тех, кто хочет освоить современные инструменты ИИ и анализа данных: вы получите не просто теорию, но и практику применения алгоритмов в реальных задачах.

В программе курса:

• знакомство с экосистемой Python, базовыми библиотеками и подходами к машинному обучению;
• работа с данными: сбор, предобработка, визуализация и подготовка к обучению моделей;
• построение моделей машинного обучения: классификация, регрессия, кластеризация;
• знакомство с нейросетями, автоматизацией процессов и внедрением решений искусственного интеллекта в задачи бизнеса или исследования;

По завершении курса вы сможете:

• применять Python и библиотеки ML для решения аналитических и исследовательских задач;
• создавать и интерпретировать модели машинного обучения, выбирать подходящий алгоритм для задачи;
• интегрировать элементы ИИ-решений, автоматизировать обработку данных и облегчить принятие решений на их основе;
• включить готовый проект в своё портфолио и представить его при трудоустройстве или переходе в data-science сферу.

Курс ориентирован на специалистов, желающих освоить построение ETL‑сценариев, работу с потоковыми данными и автоматизацию регулярных задач. Обучение проходит в индивидуальном формате: вы занимаетесь с преподавателем по согласованному графику.

В программе курса:

• Пайплайны ETL: написание скриптов для извлечения данных из различных источников (API, CSV, SQL), их очистки и сохранения в хранилища.
• Масштабирование: знакомство с технологиями обработки больших данных, такими как Apache Spark и Dask.
• Оркестрация: использование Apache Airflow для автоматизации и планирования задач, создание DAG (Directed Acyclic Graph) и настройка расписаний.
• ML‑предобработка: интеграция подготовленных данных в конвейер для машинного обучения, примеры на scikit-learn Pipeline.

По завершении курса вы сможете:

• самостоятельно разрабатывать и поддерживать ETL‑процессы для обработки данных;
• интегрировать решения с Apache Airflow, Kafka и Spark;
• автоматизировать регулярные задачи по подготовке данных для аналитики и машинного обучения.

Курс ориентирован на тех, кто хочет перейти от теории к практике в области машинного обучения: работать с реальными данными, инструментами индустрии и проектами под контролем преподавателя. Обучение проходит в индивидуальном формате: вы занимаетесь с преподавателем по согласованному графику.

В программе курса:

• Основы Python: изучение синтаксиса языка, структур данных, работы с библиотеками NumPy, Pandas, Matplotlib и Seaborn.
• Предобработка данных: очистка, нормализация, кодирование категориальных признаков, работа с пропущенными значениями.
• Модели машинного обучения: освоение алгоритмов классификации, регрессии, кластеризации, ансамблевых методов и методов понижения размерности.
• Оценка моделей: использование метрик точности, полноты, F1‑меры, ROC‑кривых, кросс‑валидации.
• Внедрение моделей: сохранение моделей, создание API для их использования, мониторинг и обновление моделей в продакшене.

По завершении курса вы сможете:

• самостоятельно анализировать и обрабатывать данные для задач машинного обучения;
• строить и оценивать модели машинного обучения;
• интегрировать модели в реальные приложения и сервисы;
• работать с современным стеком инструментов для машинного обучения и анализа данных.

Курс предназначен для тех, кто хочет научиться применять методы машинного обучения и искусственного интеллекта для решения реальных задач. Обучение сочетает теорию с практикой на реальных проектах.

В программе курса:

• основы Python и библиотеки NumPy, Pandas;
• подготовка и обработка данных для обучения моделей;
• алгоритмы классификации: логистическая регрессия, деревья решений, SVM;
• алгоритмы регрессии: линейная и полиномиальная регрессия;
• методы кластеризации: K-средних, DBSCAN, иерархическая кластеризация;
• нейронные сети и глубокое обучение;
• оценка качества моделей и подбор гиперпараметров;
• проектная работа с презентацией и защитой.

По завершении курса вы сможете:

• применять алгоритмы машинного обучения для решения задач;
• работать с данными и готовить их для обучения моделей;
• строить и оценивать модели классификации, регрессии и кластеризации;
• использовать нейронные сети для решения сложных задач;
• разрабатывать проекты для портфолио и подготовки к трудоустройству.