Симулятор ML-инженера с задачами для практики по машинному обучению [karpov.courses, Валерий Бабушкин, Богдан Печёнкин]

Складчина: Симулятор ML-инженера с задачами для практики по машинному обучению [karpov.courses, Валерий Бабушкин, Богдан Печёнкин]

СИМУЛЯТОР ML-ИНЖЕНЕРА == ЛУЧШЕЕ МЕСТО ДЛЯ ПРАКТИКИ
Решайте реальные задачи бизнеса и разрабатывайте проекты под руководством ведущих ML-специалистов. Выйдите на новый уровень курьеры



ДЛЯ КОГО ЭТА ПРОГРАММА:
НАЧИНАЮЩИЕ ML-ИНЖЕНЕРЫ
Хотите закрепить знания, заполнить пробелы и набраться прикладного опыта, чтобы выделяться среди остальных кандидатов

ML-ИНЖЕНЕРЫ С ОПЫТОМ
Хотите познакомиться с новыми кейсами, с которыми не сталкиваетесь на работе, и расширить компетенции

АНАЛИТИКИ
Хотите добавить ML к своим хардам и расширить карьерные возможности аналитика



ЧЕМУ ВЫ НАУЧИТЕСЬ:

ДО СИМУЛЯТОРА
«ЗНАЛ БАЗУ, ХОТЕЛ УЛУЧШИТЬ ПРАКТИЧЕСКИЕ НАВЫКИ И УЗНАТЬ НОВУЮ ТЕОРИЮ НА РЕАЛЬНЫХ ЗАДАЧАХ»

• Хаотично пишу код на Python, редко пишу документацию, тестирую код в голове и через print.
• Базовые знания SQL, страшно при виде вложенных запросов.
• Не знаю, что такое t-test и p-value.
• В ML умею только fit-predict.

СПУСТЯ 3 МЕСЯЦА В СИМУЛЯТОРЕ

• Использую линтеры, документирую весь код в едином стиле, аннотирую типы, тестирую код через Pytest.
• Спокойно пишу большие SQL-запросы с CTE, JOIN и оконными функциями.
• Понимаю статистические критерии и знаю, как связать их с моделями машинного обучения. Умею проводить A/B-тесты.
• Могу реализовать кастомные метрики и алгоритмы, построить эмбеддинги. Научился деплоить модели и сервисы.
• Получил хорошие стартовые знания по Docker, FastApi, DVC, PySpark, MLflow.

Как проходит обучение:
РЕШАЙТЕ РЕАЛЬНЫЕ ЗАДАЧИ
— Выбирайте задачи любого уровня сложности и тематики
— Знакомьтесь с необходимой теорией на платформе и с помощью предложенных дополнительных источников
— Приступайте к решению бизнес-задачи с помощью актуальных инструментов

Продажник