Каталог курсов
Такого курса сейчас нет
К сожалению, сейчас невозможно записаться на курс. Вы можете посмотреть похожие программы обучения.
Перейти в каталог курсов
Похожие программы
Нео
IT-профессии: как выбрать направление и реализовать себя
Подробнее о программе
онлайн
Нео
Основы SQL
Подробнее о программе
14 дней
онлайн
Нео
Excel: простые шаги для оптимизации работы с данными
Подробнее о программе
10 дней
онлайн
Нео
Открытые занятия по аналитике
Подробнее о программе
онлайн
Нео
Профессии в аналитике: что выбрать
Подробнее о программе
3 дня
онлайн
Нео
Как стать аналитиком данных и стартовать в Data Science
Подробнее о программе
1 день
онлайн
К сожалению, курс сейчас недоступен
Избранное
Включает программу трудоустройства
Профессия

ML-инженер

Освоите востребованную профессию на стыке Data Science и инженерии данных

Будете учиться у экспертов из Amazon, Яндекса, Сбера. На практике разберётесь, как строить ML-модели и выводить их в продакшн

Добавите более 7 проектов в портфолио и сможете начать искать работу уже через 6-7 месяцев обучения

Когда
28 июля 2023 — 28 августа 2024
Набор вот-вот закончится
Курс стартовал, но еще можно попасть в этот набор

Длительность

13 месяцев

Формат

Видеолекции, вебинары и митапы

Документ

Диплом о профессиональной переподготовке

ML-инженер работает на стыке Data Science и инженерии данных

Специалист строит модели машинного обучения, улучшает существующие и внедряет их в ПО. ML-инженеры помогают компаниям развиваться, оптимизировать ресурсы и расти в прибыли. Например, Сбер благодаря использованию ИИ на 20% увеличил решаемость вопросов корпоративных клиентов при первом обращении.

Спрос на ML-инженеров будет расти

ChatGPT называет ML-инженера самой перспективной профессией будущего, а Bloomberg прогнозирует, что рынок генеративного ИИ к 2032 году вырастет минимум в 30 раз — ежегодно он будет прирастать на 42%.

ML-инженер востребован под разные задачи ИИ — от улучшения клиентского опыта в банках и создания креатива до обучения нейросетей прогнозировать работы нефтяных скважин и проектировать детали космических кораблей.

Зарплата ML-инженера

По данным hh.ru в среднем составляет

  • 80 000–120 000 ₽

    Junior-специалист
    с опытом до 1 года

  • 120 000–300 000 ₽

    Middle-специалист
    с опытом 1–3 года

  • от 300 000 ₽

    Senior-специалист
    с опытом более 3 лет

Кому подойдёт курс   

Новичкам в профессии

_____________________________

С нуля овладеете знаниями и навыками, необходимыми для работы на стыке Data Science и инженерии данных и получите новую востребованную профессию

Разработчикам

_____________________________

Получите базу для перехода из программирования в Data Science и анализ больших данных. Вырасти в карьере помогут много практики и нетворкинг

Аналитикам

_____________________________

Научитесь извлекать максимум из больших массивов данных для быстрой проверки гипотез и построения прогнозов. Дополните портфолио и повысите свою востребованность на рынке

Чему научитесь

Работать с базами данных с помощью SQL

Сможете получать данные, фильтровать, агрегировать, а также импортировать и экспортировать информацию

Использовать Python и его библиотеки

Будете пользоваться основными инструментами и подходами в Python, чтобы работать с данными

Разбираться в задаче и выбирать алгоритм

Поймёте, как генерировать гипотезы, подбирать алгоритмы и метрики под задачу для разных моделей

Встраивать модели в продакшн-сервисы

Разберётесь, как собирать необходимые признаки из бизнес-процесса, создавать веб-сервис для работы модели

Измерять эффективность и улучшать решения

Научитесь дорабатывать и улучшать существующие модели в различных сценариях

Создавать и поддерживать ML-инфраструктуру

Узнаете, как строить конвейеры обработки данных, автоматизировать ML-пайплайн

Курс на 70% состоит из практики

Примеры практических задач

Создание алгоритма классического ML

Классифицируете базовыми ансамблевыми методами пациентов по проблемам с сердцем и сократите число цветов в палитре изображения с помощью моделей кластеризации.

Мы регулярно проводим внутренние митапы

Это неформальные встречи выпускников и студентов Нетологии с экспертами и потенциальными работодателями.

Каждый участник может задать экспертам вопросы, получить ответы или поделиться собственной историей. Митапы проходят раз в две недели по вечерам.

Вы сможете пройти стажировку или устроиться на работу к партнёрам курса

Neoflex

Создаёт IT-платформы для цифровой трансформации бизнеса, помогает заказчикам получать устойчивые конкурентные преимущества в цифровую эпоху.

Хостинг-партнёр курса — REG.RU

Выполнять практические занятия вы будете на облачных VPS от REG.RU — это виртуальные серверы с почасовой оплатой и API. Каждый студент получит бонусные средства на баланс для выполнения заданий.

REG.RU — российский хостинг-провайдер и регистратор доменных имён. У компании 2,2 млн клиентов и 3,3 млн доменов на обслуживании.

Программа обучения —
13 месяцев

200 часов теории и 277 часов практики

Онлайн-вебинары с экспертами проходят по будням в 19:00 МСК

На лекции и практические задания понадобится 10-15 часов в неделю

Вы будете получать обратную связь по практике, проходить тесты, задавать вопросы потенциальным работодателям на митапах

1 ступень. Погружение в профессию

Разберётесь в специфике работы ML-инженера, узнаете, как выглядит пайплайн его работы: от сбора данных, обучения модели, до развёртывания инфраструктуры и внедрения разработок в продакшн.

Введение в ML-инженерию

Познакомитесь с профессией ML-инженера и его задачами. Получите базу для дальнейшего обучения.

3 часа теории

2 часа практики

Введение в профессию ML-инженера

Знакомство с пайплайном машинного обучения

Основные ошибке в работе с данными и как их избежать

SQL и получение данных

Научитесь получать данные для анализа без помощи разработчиков, объяснять архитектуру и структуру базы данных в общем виде. Сможете писать простые и сложные SQL-запросы, группировать, агрегировать и фильтровать данные из баз данных, использовать базу данных PostgreSQL, работать с разными форматами файлов.

20 часов теории

32 часа практики

Базы данных

Основы SQL

Работа с PostgreSQL

Лабораторная работа

Подготовка и сдача итогового проекта

Python для анализа данных

Научитесь пользоваться базовыми инструментами и подходами в Python, чтобы начать работать с данными.

52 часа теории

43 часа практики

Основы Python: Jupiter Notebook, комментарии в коде, арифметические операции, переменные, условные конструкции

Функции

Регулярные выражения и основы синтаксического разбора

Понятие класса

Бонусные видеолекции по Git

Управляющие конструкции и коллекции

Работа с файловой системой и модули

Исключения и обработка ошибок

Библиотека NumPy: вычислительные задачи

Функции и работа с данными

Основы парсинга

Библиотека Pandas: обзор возможностей и базовые операции

Продвинутый Pandas: оптимизация, сводные таблицы, методы работы со строками, объединения датафреймов, конкатенация таблиц, оптимизация хранения данных

Математика для Data Science

Изучите основные операции с векторами, матричными операциями. Рассмотрите генетические алгоритмы и алгоритм дифференциальной эволюции. Узнаете, что такое математическое ожидание, дисперсия и моменты старших порядков. Изучите закон больших чисел.

9 часов теории

37 часов практики

Линейная алгебра. Вектора

Продвинутая линейная алгебра

Математический анализ. Производная

Производная функции нескольких аргументов

Теория оптимизации

Теория вероятностей. Дискретные и непрерывные случайные величины

Центральная предельная теорема и закон больших чисел

Python в веб-разработке

Научитесь запускать, выкладывать на сервере и конфигурировать код с помощью Docker и технологии CI/CD. Потренируетесь развёртывать приложения на сервере, создадите контейнер для REST API сервера и разработаете backend для сайта объявлений. Изучите технологии асинхронного программирования на Python. В качестве приложения напишете программу, используя фреймворк Flask.

17 часов теории

20 часов практики

DevOps: автоматизация развёртывания

— Основы терминала

— Практика с сервером

— Развёртывание проекта

— CI/CD

— Docker

— Docker Compose

— ООП и работа с API

Другие подходы к веб-разработке

— Flask

— Event loop. Asyncio

— Aiohttp

— Celery

2 ступень. Машинное обучение

Познакомитесь с классическим ML и нейросетями. Научитесь строить основные модели машинного обучения, обучать нейросети и лидировать DS-проекты.

Работа с признаками и построение моделей

Научитесь строить основные модели машинного обучения. Узнаете, как работать с деревьями решений, с логистической, линейной регрессией, строить ансамбли моделей. Сможете работать с «грязными» данными и оценивать качество моделей.

42 часа теории

37 часов практики

Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия

Классификация. Логистическая регрессия и SVM

Классификация. Логистическая регрессия и SVM

Функции потерь и оптимизация

Оценка точности модели, переобучение, регуляризация

Проблема качества данных

Работа с пропусками

Работа с переменными

Деревья решений

Ансамблирование

Поиск выбросов и генерация новых признаков

Feature Selection

Метрики близости. Работа с текстовыми данными. Наивный Байес

Алгоритмы кластеризации

Улучшение качества модели

Введение в нейронные сети

Научитесь строить простые полносвязные сети уровня LeNet и AlexNet, экспериментировать с их обучением. Получите теоретическую и практическую базу для использования нейронных сетей в блоках CV и NLP.

10 часов теории

6 часов практики

Введение в нейронные сети и библиотеку Keras

Углубление в нейронные сети и библиотеку Keras

Введение в свёрточные нейронные сети

Введение в рекуррентные нейронные сети

3 ступень. Внедрение ML-модели

Научитесь выстраивать пайплайны для обработки и трансформации данных, внедрять модели в продакшн и следить за стабильностью работы.

Data Lake и Hadoop

Познакомитесь с основным инструментом обработки больших данных. Разберётесь в возможностях управления ресурсами кластера.

14 часов теории

15 часов практики

Основы Hadoop: архитектура

Data Lake vs Data Warehouse

HDFS: логика работы, Namenode и Datanode

MapReduce: алгоритм и решение задач

Yarn, Pig и Hive

HBase и Cassandra: возможности и основные характеристики

Управление и администрирование кластера

Обзор Apache Ambari, Apache Ranger, Apache Atlas

Продвинутые методы работы с данными

Изучите способы обработки разных видов данных. Узнаете, что такое оркестратор и какие задачи он решает. Поймёте, как эффективно преобразовывать данные в хранилищах.

13 часов теории

9 часов практики

Apache Spark: основные команды и RDD

Spark SQL: DataFrame API и Dataset API

Архитектура Spark: компоненты и идеи

Apache Airflow: основные сущности для построения задач и взаимодействие сущностей

Data Build Tool как инструмент ETL

Работа с потоковыми данными

Поймёте особенности работы с потоковыми данными. Разберётесь в логике работы брокеров сообщений.

12 часов теории

9 часов практики

Устройство Clickhouse и загрузка данных в корпоративное хранилище

Устройство Kafka и работа с кластером

Конфигурация Kafka Streams

Kafka Streams Interactive Queries, Kafka Streams Processor API, Kafka Connect

Spark Streaming: характеристики и особенности использования

Создание простого приложения на Spark Structure Streaming + Kafka

MLOps

Узнаете, зачем нужен DevOps. Разберётесь в пайплайне разработки ML-моделей.

8 часов теории

25 часов практики

Что такое DevOps/MLOps

Docker и микросервисная архитектура

Технологии контейнеризации, K8s

Оркестраторы

CI/CD

Мониторинг

Инструменты DevOps для обучения ML-моделей

Deploy ML-моделей

Итоговый проект

Дипломное задание состоит из двух частей:

— Построите модель по предсказанию определённого показателя. Можно взять нашу задачу или делать проект на своих данных.

— Локально запустите обученную модель в контейнере Docker.

10 часов практики

Преподаватели — практикующие эксперты

Как проходит обучение

Теория

Учитесь в комфортном для себя темпе. Изучаете в удобное для вас время видеолекции и статьи, задаёте вопросы на вебинарах

Практика

Делаете задание после каждого занятия и получаете обратную связь от экспертов. Создаёте проекты и пополняете портфолио

Сопровождение

Обсуждаете обучение и задаёте вопросы. Эксперты, координаторы и наставники всегда на связи и готовы помочь

Итоговый проект

Работаете над своим проектом или учебным, обсуждаете его с ментором на индивидуальной сессии. Защищаете диплом перед экспертами курса

Ваше резюме после обучения

ML-инженер

    Результаты

  • Встраивание модели в бизнес-процесс

  • Адаптирование и совершенствование существующих алгоритмов и нейросетей

  • Оценка эффективности решений ML

  • Формирование требований к инфраструктуре и инструментам совместно со стейкхолдерами

  • Построение конвейера обработки данных

  • Автоматизирование подготовки данных к обучению

  • Работа с озерами данных в облаках

  • Управление потоками данных

  • Организация работы с большими данными

  • Автоматизирование ML-пайплайна

  • Инжиниринг данных и моделей: создание MVP и ML-сервисов, мониторинги, CI/CD, докеризация: интеграция с системами хранения информации и др.

Инструменты

Python

Python

Язык программирования, который в том числе используется для анализа данных и машинного обучения

SQL

SQL

Язык программирования баз данных

DBeaver

DBeaver

Инструмент управления базами данных и клиент SQL, поддерживающий MySQL, PostgreSQL, Oracle и т.д.

PostgreSQL

PostgreSQL

Одна из самых популярных реляционных баз с исходным кодом

Scikit-learn

Scikit-learn

Одна из самых популярных библиотек машинного обучения на Python с открытым исходным кодом

Pandas

Pandas

Популярная библиотека на языке Python для обработки и анализа данных

Git

Git

Система управления версиями кода

Matplotlib

Matplotlib

Библиотека Python для визуализации данных

Seaborn

Seaborn

Библиотека Python для создания статистических графиков на Python

Docker

Docker

Популярная программа для автоматизации, развёртывания и управления приложениями в средах с поддержкой контейнеризации

Apache Spark

Apache Spark

Фреймворк с открытым исходным кодом для реализации распределённой обработки неструктурированных и слабоструктурированных данных, входящий в экосистему проектов Hadoop

Apache Kafka

Apache Kafka

Распределённый программный брокер сообщений, проект с открытым исходным кодом, разрабатываемый в рамках фонда Apache

Вашу квалификацию подтвердит официальный документ

Мы обучаем по государственной лицензии и выдаём диплом о профессиональной подготовке установленного образца, который можно показать работодателю.

Поможем найти
ту самую работу
Центр развития карьеры
помогает трудоустроиться студентам Нетологии
1
Научим составлять резюме и проходить интервью
Разберём ваш предыдущий опыт, определим сильные стороны и поможем составить успешное резюме. Научим презентовать себя и проведём тест-драйв интервью.
2
Поможем наработать практику и оформить портфолио
Приобретёте практический опыт и наполните портфолио ещё во время обучения. Разберёте тестовые задания от работодателей и сможете принять участие в их проектах.
3
Предложим стажировки и проекты от партнёров
Предоставим доступ к карьерной странице со стажировками и вакансиями от партнёров Нетологии. Будем делиться подборками с новыми интересными вакансиями.
header
Воркшопы и много практики
Вы сможете сформировать портфолио, выполняя задания компаний-партнёров Нетологии или проходя у них стажировки. Сфокусируетесь на практике, откликах и результате. Поработаете над реальными заданиями, защитите свои решения и получите развивающую обратную связь.
84%
студентов нашли работу с помощью Центра развития карьеры
4 075
компаний-партнёров в базе Нетологии для отработки практики
skyeng1Clamodaramblerraiffeisenvkozonagimakasperskyalfa2gisgettaic

Вернём деньги, если обучение не подойдёт

Деньги можно вернуть в любой момент. В течение первых трёх занятий вернём вам полную сумму, а начиная с четвёртого — рассчитаем сумму возврата или поможем выбрать другой курс взамен.

Подробные условия

Отвечаем на вопросы

  • Я гуманитарий, смогу ли учиться на курсе?     

    Да, курс ориентирован на новичков в Data Science, без привязки к бэкграунду.

  • Что делать, если я забыл математику и переживаю, смогу ли освоить программу?

    Не переживать и готовиться к началу обучения. В программе предусмотрен блок по математике, в рамках которого вы изучите или вспомните основные математические концепции, которые важны для старта в Data Science.

  • Смогу ли я найти работу после обучения на этой программе или это обзорный курс?

    Мы разработали комплексную программу, которая даст вам фундамент для начала карьеры. После 5 месяцев обучения вы сможете претендовать на стартовые позиции аналитика данных, в конце курса — на Data Scientist.

  • Как Нетология поможет мне найти работу?

    Студенты программы могут обратиться в Центр развития карьеры Нетологии: получить консультацию, рекомендации по упаковке своего опыта в резюме. Ещё мы регулярно публикуем вакансии и стажировки для начинающих специалистов в закрытом чате — некоторые из них доступны только нашим студентам и выпускникам. Джунов из числа студентов часто ищут сами эксперты курса потому что знают качество обучения изнутри.