Каталог курсов

Направления обучения

Все курсы Маркетинг Бизнес и управление Дизайн и UX Программирование Аналитика Управление командой Высшее образование Творческие профессии Профессии в образовании Корпоративное обучение Новые профессии Финансы и инвестиции Компьютерные игры Саморазвитие и хобби Медицина

Бесплатный курс

начало карьеры

IT-профессии

Как выбрать направление и реализовать себя

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

0 ₽

Нео

Открытые занятия по аналитике

Подробнее о программе

онлайн

0 ₽

Нео

Профессии в аналитике: что выбрать

Подробнее о программе

3 дня

онлайн

0 ₽

Нео

Основы аналитики и аналитическое мышление

Подробнее о программе

4 недели

онлайн

удостоверение

12 000 ₽

Нео

Основы анализа данных в SQL, Python, Power BI, DataLens

Подробнее о программе

онлайн

0 ₽

Нео

Основы SQL

Подробнее о программе

14 дней

онлайн

0 ₽

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

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

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

SQL

Язык программирования баз данных

DBeaver

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

PostgreSQL

Одна из самых популярных реляционных баз с исходным кодом

Scikit-learn

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

Pandas

Популярная библиотека на языке Python для обработки и анализа данных

Git

Система управления версиями кода

Matplotlib

Библиотека Python для визуализации данных

Seaborn

Библиотека Python для создания статистических графиков на Python

Docker

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

Apache Spark

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

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

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.

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.

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.

Конкретный формат помощи в трудоустройстве смотрите в оферте

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

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.

Наведите камеру и скачайте бесплатное приложение Нетологии