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
