Начинаете путь в машинном обучении
Python, подготовка данных и необходимая математика входят в программу.
Профессиональная переподготовка · групповое обучение · дистанционно
Разработка прикладных решений с использованием методов машинного обучения
Профессиональная переподготовка, где машинное обучение изучается как инженерный инструмент: от Python и подготовки данных через математическую основу и оценку моделей к законченному прикладному решению, которое можно применять к новым данным.
252академических часа — полный объём программы
144академических часа занятий с преподавателем
25учебных недель по нормативному графику
Заочная форма · дистанционные образовательные технологии · занятия в группе по установленному расписанию
Кому подойдёт
Для тех, кому нужен машинный интеллект без магии и обещаний «за пару недель»
Вступительных испытаний нет, специальная предварительная подготовка не требуется. Но программа предполагает регулярную самостоятельную работу: модель нужно построить и проверить самому.
Хотите понимать качество модели
Метрики, разбиение данных, переобучение и подбор параметров рассматриваются как обязательная часть решения.
Нужен прикладной результат
Финал — не реферат, а работающее решение, которое принимает новые данные и выдаёт проверяемый результат.
Результат обучения
От данных до модели, которую можно применить к новой задаче
Программа формирует полный рабочий цикл машинного обучения — без подмены результата красивой демонстрацией готовой библиотеки.
01
Готовить данные для ML: очищать и преобразовывать наборы, кодировать категории, масштабировать признаки и предотвращать утечку данных.
02
Понимать математическую основу: векторы, матрицы, вероятность, статистические характеристики, функции потерь и базовая оптимизация.
03
Строить базовые модели: регрессия, классификация, ближайшие соседи, деревья и ансамблевые методы.
04
Оценивать качество корректно: метрики, валидация, перекрёстная проверка, подбор гиперпараметров и диагностика переобучения.
05
Решать разные прикладные задачи: регрессия, классификация, кластеризация, аномалии и базовое ранжирование.
06
Доводить модель до применения: интерпретация, сохранение версии, применение к новым данным и контроль качества после внедрения.
Общий объём252академических часа
144часа занятий с преподавателемПо 36 часов в каждом из четырёх модулей.
96часов самостоятельной работыПо 24 часа практики в каждом модуле.
12часов аттестации8 часов зачётов и 4 часа итогового экзамена.
Как проходит обучение
Поставить задачу → обучить модель → доказать качество → применить
Формулировка задачи
Определяете тип задачи, целевую переменную, признаки, ограничения и критерий качества до обучения модели.
Эксперимент с моделями
Самостоятельно готовите данные, строите несколько вариантов и сравниваете их по одинаковым правилам.
Разбор решения
На занятии проверяются валидация, отсутствие утечки, качество, интерпретация и обоснованность выбранного варианта.
Учебный график
Фиксированный ритм групповой программы
Четыре модуля осваиваются последовательно. Ближайший период обучения — с ноября 2026 по май 2027. Точные даты начала занятий и расписание сообщаются при зачислении.
25учебных недель24 + 124 недели модулей + неделя итоговой аттестации
6акад. часов в неделюс преподавателемКонтактная работа по расписанию группы
6учебных недельна каждый модуль36 часов занятий + 24 часа самостоятельной работы
Нужен формат один на один?
Посмотреть эту программу индивидуально →Если нужен индивидуальный темп, персональный разбор моделей и гибкий график, посмотрите программы Центра индивидуального обучения.
4 модуля · 72 темы
Содержание программы
В каждом модуле 18 тематических блоков. Следующий этап опирается на навыки предыдущего.
Рабочая база для ML: Python, NumPy, pandas, контроль качества данных, кодирование и масштабирование признаков, корректное разбиение и воспроизводимая подготовка.
1.1
Задача машинного обучения и рабочая среда Python
1.2
Переменные, типы данных и операции Python
1.3
Условия и логические проверки данных
1.4
Циклы и итерационная обработка данных
1.5
Функции и декомпозиция обработки данных
1.6
Коллекции и структуры записей
1.7
Файлы и табличные форматы данных
1.8
NumPy: массивы и векторные вычисления
1.9
pandas: табличные структуры и основные операции
1.10
Загрузка данных и первичная проверка качества
1.11
Пропуски, дубликаты и преобразование типов
1.12
Кодирование категориальных признаков
1.13
Масштабирование числовых признаков
1.14
Разделение данных и предотвращение утечки информации
1.15
Создание производных признаков
1.16
Отбор признаков и контроль избыточности
1.17
Конвейеры предварительной обработки и воспроизводимость
1.18
Комплексная подготовка данных для машинного обучения
Математическая и статистическая основа: векторы и матрицы, вероятность, статистические оценки, зависимости, функции потерь и базовая оптимизация.
2.1
Векторы и матрицы как представление данных
2.2
Операции над матрицами и транспонирование
2.3
Скалярное произведение, нормы и расстояния
2.4
Линейные преобразования и системы уравнений
2.5
Функции, производные и направление изменения
2.6
Описательная статистика и распределения признаков
2.7
Основы теории вероятностей
2.8
Условная вероятность и формула Байеса
2.9
Случайные величины и основные распределения
2.10
Математическое ожидание, дисперсия и ковариация
2.11
Выборка и выборочные характеристики
2.12
Доверительные интервалы и оценивание параметров
2.13
Проверка статистических гипотез
2.14
Корреляционный анализ признаков
2.15
Регрессионная зависимость и линейная модель
2.16
Функции потерь в задачах машинного обучения
2.17
Производная, градиент и численная оптимизация
2.18
Комплексное применение математических и статистических методов
Построение и оценка моделей: типы задач, разбиение выборок, метрики, линейные модели, ближайшие соседи, деревья, ансамбли и настройка параметров.
3.1
Типы задач машинного обучения и базовые решения
3.2
Обучающая, валидационная и тестовая выборки
3.3
Метрики качества моделей регрессии
3.4
Метрики качества моделей классификации
3.5
Линейная регрессия
3.6
Логистическая регрессия
3.7
Метод ближайших соседей
3.8
Деревья решений
3.9
Случайный лес
3.10
Градиентный бустинг
3.11
Конвейеры обработки и обучения моделей
3.12
Перекрёстная проверка качества
3.13
Подбор гиперпараметров
3.14
Регуляризация и ограничение сложности модели
3.15
Несбалансированные классы и выбор метрик
3.16
Кластеризация методом k-средних
3.17
Снижение размерности методом главных компонент
3.18
Комплексное построение, сравнение и выбор модели
Полный прикладной цикл: регрессия, классификация, кластеризация, аномалии, ранжирование, интерпретация, сохранение модели и применение к новым данным.
4.1
Формализация прикладной задачи машинного обучения
4.2
Проектирование сквозного сценария машинного обучения
4.3
Прикладная задача регрессии
4.4
Прикладная задача классификации
4.5
Кластеризация и сегментация объектов
4.6
Обнаружение аномалий
4.7
Ранжирование объектов
4.8
Базовые рекомендательные подходы
4.9
Интерпретация модели и важность признаков
4.10
Локальное объяснение отдельных прогнозов
4.11
Сохранение модели и управление версиями
4.12
Применение обученной модели к новым данным
4.13
Интерактивное прикладное приложение с моделью
4.14
Тестирование прикладного решения
4.15
Мониторинг качества модели после внедрения
4.16
Дрейф данных и изменение качества модели
4.17
Ограничения модели, риски и представление результатов
4.18
Комплексное прикладное решение с использованием машинного обучения
Образовательная среда
Машинное обучение осваивается через эксперименты, а не просмотр готового кода
Контактные занятия дают методику и разбирают сложные места. Самостоятельная часть нужна, чтобы провести свой эксперимент: подготовить данные, обучить модель, сравнить варианты и понять результат.
Практика с моделямиРегрессия, классификация, деревья, ансамбли, кластеризация и другие методы отрабатываются на конкретных задачах.
Рабочий стекPython, NumPy, pandas, scikit-learn и другие инструменты программы.
Контроль качестваПроверяются разбиение, метрики, переобучение, параметры, воспроизводимость и интерпретация.
Разбор технических ошибокОшибки в данных, коде, валидации и логике выбора модели обсуждаются с преподавателем.
Контроль и аттестация
Результат — модель, которую можно обосновать и применить
Текущий контроль строится на практических заданиях; после каждого модуля проводится зачёт, а программа завершается итоговым экзаменом.
Проверяются подготовка данных, код, модель, метрики, интерпретация и исправление ошибок.
Самостоятельное задание объединяет основные действия соответствующего этапа ML-процесса.
Защищается проект с подготовкой данных, моделями, выбором решения и применением к новым данным.
Итоговый документ
Диплом о профессиональной переподготовке
После успешной итоговой аттестации выдаётся диплом о профессиональной переподготовке с квалификацией «Специалист по большим данным».
Итоговая аттестация — защита индивидуального проекта: законченное прикладное решение с использованием методов машинного обучения: подготовка данных, построение и оценка моделей, выбор итогового решения, интерпретация и применение обученной модели к новым данным.
Требования к поступлению
Стартовать можно без предварительной подготовки в ML
К обучению допускаются лица со средним профессиональным или высшим образованием, а также получающие СПО или высшее образование.
Вступительных испытаний нет. Специальная предварительная подготовка в программировании, статистике и анализе данных не требуется.
Технические условия
Что понадобится для обучения
- Персональный компьютер или ноутбук.
- Стабильный доступ к Интернету.
- Современный браузер и рабочая среда Python.
- Средства видеоконференцсвязи для групповых занятий.
- Библиотеки и средства машинного обучения по содержанию модулей.
Перед зачислением
Частые вопросы
Да. Первый модуль начинается с Python и подготовки данных.
Отдельно готовиться не нужно: необходимая линейная алгебра, статистика и основы оптимизации входят в программу.
144 академических часа — по 36 на каждый модуль.
25 учебных недель: четыре модуля по 6 недель и 1 неделя итоговой аттестации.
Да. Предусмотрено 4 платежа по 24 500 ₽.
Да. Центр 25-12 также реализует формат 1-на-1 через Центр индивидуального обучения.
Законченное прикладное ML-решение с подготовкой данных, моделями, оценкой, интерпретацией и применением к новым данным.
Квалификация «Специалист по большим данным».
Следующий шаг
Начать машинное обучение с нормальной инженерной основы
Оставьте заявку. Расскажем о ближайшем наборе, графике занятий, оплате и документах для зачисления.
Полная стоимость98 000 ₽
4 платежапо 24 500 ₽
Центр 25-12 · продолжить выбор