[Дмитрий Сафонов]
[balun.courses] Курс Data Science. Тариф Стандарт (2025)

Слив курса [balun.courses] Курс Data Science. Тариф Стандарт (Дмитрий Сафонов)

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

Тариф Стандарт.

Продажник:

Скачать: