Машинное обучение

Чему вы научитесь

• Формулировать гипотезы и проверять их статистическими методами
• Писать SQL-запросы для извлечения, фильтрации и агрегации данных
• Программировать на Python с использованием библиотек NumPy и Pandas
• Строить и обучать модели регрессии, классификации и кластеризации
• Создавать нейронные сети на Keras/TensorFlow, применять Transfer Learning
• Собирать ETL-пайплайны для обработки больших данных
• Работать с потоковыми данными (Kafka, Spark Streaming)
• Контейнеризовать проекты и настраивать CI/CD-пайплайны
• Применять MLOps-инструменты для управления жизненным циклом моделей
• Выбирать специализацию в компьютерном зрении или обработке речи

Программа курса

11 модулей

1. 1Основы практической статистики8 теории + 14 практики

   • Что такое статистика и для чего она нужна
   • Основные статистические показатели, виды распределений данных, корреляция
   • Взаимосвязи данных и формулирование гипотез по SMART
   • Статистические критерии в Google Таблицах. Проверка гипотез и формулирование выводов
2. 2SQL и получение данных20 теории + 32 практики

   • Архитектура и структура баз данных (БД)
   • Простые запросы, join`s, агрегаты
   • Базовые команды в SQL и встроенные аналитические функции
   • Импорт и экспорт данных посредством SQL и ETL программ
   • Принципы работы с различными БД
   • Основные библиотеки для подключения к БД из Python
   • Функции SQL и их аналоги в pandas
   • Консоль: знакомство, основные операторы, утилита psql
   • Архитектура и проектирование
   • Нормализация
   • Зависимости
   • Подготовка и сдача итогового проекта
3. 3Основы Python и аналитические библиотеки59 теории + 47 практики

   • Базовые типы данных и циклы
   • Продвинутые типы данных: массивы, множества, словари
   • Библиотека NumPy: вычислительные задачи
   • Основы парсинга и работы с API
   • Функции и классы
   • Регулярные выражения и основы синтаксического разбора
   • Библиотека Pandas: возможности и оптимизация
4. 4Работа с признаками и построение моделей42 теории + 37 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 и переменными
5. 5Разработка и обучение нейросетей10 теории + 6 практики

   • Введение в нейронные сети и библиотеку Keras
   • Углубление в нейронные сети и библиотеку Keras
   • Введение в свёрточные нейронные сети
   • Введение в рекуррентные сети
   • Автокодировщики
   • Введение в генеративно-состязательные сети
6. 6Разбор тестовых заданий

   • Три воркшопа с экспертами Яндекса, Т-Банка и Сбера
   • Практика решения тестовых заданий из актуальных вакансий
7. 7Работа с потоковыми данными12 теории + 9 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
8. 8Data Lake & Hadoop14 теории + 15 практики

   • Основы Hadoop: архитектура
   • Разница Data Lake (озеро данных) и Data Warehouse (хранилище данных)
   • DFS: логика работы, Namenode и Datanode
   • MapReduce: алгоритм и решение задач
   • Yarn, Pig & Hive
   • HBase & Cassandra: возможности и основные характеристики
   • Управление и администрирование кластера
   • Обзор Apache Ambari, Apache Ranger, Apache Atlas
9. 9Проектирование DWH17 теории + 32 практики

   • Понятие БД, СУБД, хранилища данных
   • Архитектура DWH и принципы построения
   • Виды заказчиков в процессе разработки DWH
   • Data Quality и Data Governance
   • Обзор инструментов для работы с хранилищами данных
10. 10MLOps8 теории + 25 практики

    • Что такое DevOps и MLOps
    • Docker и микросервисная архитектура
    • Технологии контейнеризации, k8s
    • Оркестраторы
    • CI/CD
    • Мониторинг
    • Инструменты DevOps для обучения ML-моделей
11. 11Дипломный проект

    • Создание ML-модели для профессиональных задач
    • Тема выбирается самостоятельно или на основе данных Kaggle
    • Помощь дипломного руководителя

Кому подойдёт курс

Как проходит обучение

Формат

онлайн

Расписание

9 ноября 2026 — 27 апреля 2028

Срок

от 14 месяцев

Практика

10+ проектов, задачи партнёров, диплом по своей или учебной теме

Документ

Диплом о профессиональной переподготовке

Бонусы: Скидка 50% по акции «Чёрный октябрь» при оплате до 27 октября; 10+ проектов в портфолио, включая задачи от Т-Банка, METRO и других компаний; Хакатон с призами от Нетологии; Тестовые технические собеседования; Бизнес-игры; Проект с поддержкой эксперта; Доступ к 100+ готовым промптам, шаблонам и чек-листам по использованию ИИ

Стоимость обучения

Плюсы и минусы

Оценка редакции Курсографа по фактам со страницы курса.

Отзывы о школе Нетология

Дмитрий ★★★★☆ 22 февраля 2025

Хороший курс, но есть нюансы. Информация полезная, особенно кейсы от практиков. Однако некоторые модули казались перегруженными теорией. Кураторы помогают, но не всегда сразу. Трудоустроился через 4 месяца, но сам искал — карьерный центр мало чем помог. В целом доволен, но есть куда расти.

Учились здесь? Оставьте отзыв

Частые вопросы о курсе

Похожие курсы в других школах

• Машинное обучение с применением нейронных сетей на языке программирования PythonУчебный Центр «Специалист» · 120 часов 95 090 ₽ ›
• Разработчик систем машинного обучения. Нейронные сетиУчебный Центр «Специалист» · 6 месяцев 400 690 ₽ ›
• Машинное обучение на PythonУчебный Центр «Специалист» · 6 месяцев 222 290 ₽ ›
• Юзабилити сайтов. Проектирование веб-интерфейсовУчебный Центр «Специалист» · 32 часа 37 490 ₽ ›