(О)
(Я)
(В)
НОВАЯ СПЕЦИАЛИЗАЦИЯ
(Т)
Малая школа машинного обучения & анализа данных
10.2021 – 04.2022
Прием заявок завершен
(ТВОЯ)
НОВАЯ СПЕЦИАЛИЗАЦИЯ
Малая школа машинного обучения & анализа данных
10.2021 – 04.2022
Прием заявок завершен
О ШКОЛЕ
Наша цель: подготовить конкурентоспособных молодых специалистов в области машинного обучения и анализа данных, готовых к решению профессиональных задач.
Малая школа машинного обучения и анализа данных — образовательный проект на базе Сибирского федерального университета, реализующийся в партнерстве с компаниями Яндекс и Ингосстрах.
Такая кооперация позволяет объединить лучшее от университетского образования, онлайн-обучения и реальной бизнес-практики в уникальный образовательный продукт — сетевую программу переподготовки кадров.
Реализация обучения в таком формате позволяет выпускникам программы не только прокачать свои навыки работы с данными, но и получить дополнительную специальность, которая ложится на базу основного образования.
Такая кооперация позволяет объединить лучшее от университетского образования, онлайн-обучения и реальной бизнес-практики в уникальный образовательный продукт — сетевую программу переподготовки кадров.
Реализация обучения в таком формате позволяет выпускникам программы не только прокачать свои навыки работы с данными, но и получить дополнительную специальность, которая ложится на базу основного образования.
Наша цель: подготовить конкурентоспособных молодых специалистов в области машинного обучения и анализа данных, готовых к решению профессиональных задач.
Малая школа машинного обучения и анализа данных — образовательный проект на базе Сибирского федерального университета, реализующийся в партнерстве с компаниями Яндекс и Ингосстрах.
Такая кооперация позволяет объединить лучшее от университетского образования, онлайн-обучения и реальной бизнес-практики в уникальный образовательный продукт — сетевую программу переподготовки кадров.
Реализация обучения в таком формате позволяет выпускникам программы не только прокачать свои навыки работы с данными, но и получить дополнительную специальность, которая ложится на базу основного образования.
Такая кооперация позволяет объединить лучшее от университетского образования, онлайн-обучения и реальной бизнес-практики в уникальный образовательный продукт — сетевую программу переподготовки кадров.
Реализация обучения в таком формате позволяет выпускникам программы не только прокачать свои навыки работы с данными, но и получить дополнительную специальность, которая ложится на базу основного образования.
A
(1)
B
ЧТО ВАС ОЖИДАЕТ
1
Отбор участников
В проект на конкурсной основе отбирается 30 кандидатов для дальнейшего обучения на программе.
Набор на программу осуществляется на конкурсной основе — контест на платформе Яндекс.Контест с предварительным анкетированием.
Набор на программу осуществляется на конкурсной основе — контест на платформе Яндекс.Контест с предварительным анкетированием.
2
Обучение
Самостоятельное освоение онлайн-курсов специализации «Машинное обучение и анализ данных» на coursera.org / Очные занятия семинарского типа с преподавателями СФУ / Интенсивы с приглашенными специалистами-практиками от компаний Яндекс и Ингосстрах / Консультации в группе Telegram / Групповая работа над решением реальных кейсов от компаний Яндекс и Ингосстрах под руководством опытных менторов.
3
Результат
Диплом СФУ о профессиональной переподготовке / Сертификат Coursera об освоении специализации «Машинное обучение и анализ данных» / Решенные кейсы реальных задач IT-практики в портфолио.
ЧТО ВАС ОЖИДАЕТ
1
Отбор участников
В проект на конкурсной основе отбирается 30 кандидатов для дальнейшего обучения на программе.
Набор на программу осуществляется на конкурсной основе — контест на платформе Яндекс.Контест с предварительным анкетированием.
Набор на программу осуществляется на конкурсной основе — контест на платформе Яндекс.Контест с предварительным анкетированием.
2
Обучение
Самостоятельное освоение онлайн-курсов специализации «Машинное обучение и анализ данных» на coursera.org / Очные занятия семинарского типа с преподавателями СФУ / Интенсивы с приглашенными специалистами-практиками от компаний Яндекс и Ингосстрах / Консультации в группе Telegram / Групповая работа над решением реальных кейсов от компаний Яндекс и Ингосстрах под руководством опытных менторов.
3
Результат
Диплом СФУ о профессиональной переподготовке / Сертификат Coursera об освоении специализации «Машинное обучение и анализ данных» / Решенные кейсы реальных задач IT-практики в портфолио.
ВАЖНОЕ О ПРОГРАММЕ
Бесплатно
Стоимость обучения
Русский
Язык обучения
23 августа – 20 сентября 2021
Август – сентябрь 2021
Подача заявок на обучение
Октябрь 2021 – апрель 2022
Сроки обучения
*Документы об обучении выдаются при условии успешного прохождения промежуточной и итоговой аттестации
Диплом СФУ о профессиональной переподготовке.
Сертификат Coursera об освоении специализации “Машинное обучение и анализ данных”
Сертификат Coursera об освоении специализации “Машинное обучение и анализ данных”
Документы об обучении*
6-8 часа в неделю (онлайн, в удобное время)
Нагрузка самостоятельной работы
2 часа в неделю (вечером)
Нагрузка очной работы
Обязательное условие
Посещение очных занятий в г. Красноярск
СПИКЕРЫ и трансляции
Лекция
О современных тенденциях в мире искусственного интеллекта
Дата: 16:00 07.10.2021
Онлайн-подключение: ссылка, идентификатор: 991 9977 7636, код доступа: 614957
Дата: 16:00 07.10.2021
Онлайн-подключение: ссылка, идентификатор: 991 9977 7636, код доступа: 614957
С отличием защитил диссертацию в Бранденбургском техническом университете. Шесть лет работал аналитиком в Яндексе, три года был евангелистом искусственного интеллекта в компании ABBYY, и четыре года был пост-доком в Институте Макса Планка в Лейпциге. Иван — автор ряда научных публикаций на ведущих конференциях по обработке естественного языка. Сейчас он руководит лабораторией естественного языка Яндекса и Высшей Школы Экономики в Санкт-Петербурге, является приглашённым профессором университета Лиссабона и стратегическим директором SkillFactory. Иван популяризует машинное обучение и науки о данных и ведёт свой собственный подкаст «Проветримся!»
Иван Ямщиков
Руководитель лаборатории естественного языка Яндекса и Высшей Школы Экономики
С 2002 по 2005 года — аспирант, а затем преподаватель РГГУ, с 2005 кандидат политических наук. С 2005 по 2009 год Сергей работал КБ «Ренессанс капитал», где прошел путь от начальника управления телемаркетинга до вице-президента — руководителя службы дистанционных продаж. С 2009 по 2016 год в ПАО Сбербанк — исполнительный директор, руководитель направления организации и управления продажами через удаленные каналы. В 2016 году был назначен управляющим директором и занимался продвижением продуктов и сервисов блока «Благосостояние» (страховые и инвестиционно-накопительные продукты группы Сбербанк), а также развитием CRM-технологий.
Сергей Мруз
Директор департамента развития отношений с клиентами и онлайн-бизнеса компании «Ингосстрах»
Первый заместитель генерального директора СК «Ингосстрах»
Иван Матвеев
С 2000 году в РАО «ЕЭС России» занимал различные руководящие позиции, связанные с реформами электроэнергетической области в России. После чего занимал пост генерального директора INDEC.
С 2011 работал в ЮниКредит Банке в должности директора организационного департамента, директора департамента розничных продаж.
В 2015 вошел в правление «ЮниКредита» и возглавил розничный блок банка.
В 2019 занял должность первого заместителя генерального директора СК «Ингосстрах», занимается совершенствованием IT- и онлайн-технологий, повышением инновационной активности бизнеса компании.
С 2011 работал в ЮниКредит Банке в должности директора организационного департамента, директора департамента розничных продаж.
В 2015 вошел в правление «ЮниКредита» и возглавил розничный блок банка.
В 2019 занял должность первого заместителя генерального директора СК «Ингосстрах», занимается совершенствованием IT- и онлайн-технологий, повышением инновационной активности бизнеса компании.
IT-директор компании «Ингосстрах»
Федосов Виктор
В сфере IT Виктор занимался ведением проектов по внедрению, администрированию и интеграции передовых бизнес-решений, адаптацией IT-инфраструктуры для создания инновационных деловых возможностей, реализацией IT-программ, включающих интеллектуальные вспомогательные приложения.
В «Росбанке» Виктор Федосов создал и возглавил департамент информационных технологий розничного бизнеса, занимался трансформацией операционной модели.
В сферу его ответственности на посту IT-директора компании «Ингосстрах» входят вопросы дальнейшей диджитализации компании и развития IT-системы для оперативной перестройки всех бизнес-процессов с фокусом на клиентский сервис.
В «Росбанке» Виктор Федосов создал и возглавил департамент информационных технологий розничного бизнеса, занимался трансформацией операционной модели.
В сферу его ответственности на посту IT-директора компании «Ингосстрах» входят вопросы дальнейшей диджитализации компании и развития IT-системы для оперативной перестройки всех бизнес-процессов с фокусом на клиентский сервис.
ПРОГРАММА ОБУЧЕНИЯ
Математика и Python для анализа данных
В данном модуле рассматриваются фундаментальные вопросы математического анализа, линейной алгебры и теории вероятностей. Эти базовые знания являются фундаментом для понимания методов анализа данных и машинного обучения.
01 Введение
02 Библиотеки Python и линейная алгебра
03 Оптимизация и матричные разложения
04 Случайность
01 Введение
02 Библиотеки Python и линейная алгебра
03 Оптимизация и матричные разложения
04 Случайность
Обучение на размеченных данных
Модуль ориентирован на темы обучения на размеченных данных или обучения с учителем. Обучение на размеченных данных – это возможность предсказать величину для любого объекта, имея конечное число примеров. Например, уровень пробок на участке дороги, возраст пользователя по его действиям в интернете, цену на подержанную машину.
01 Машинное обучение и линейные модели
02 Борьба с переобучением и оценивание качества
03 Линейные модели: классификация и практические аспекты
04 Решающие деревья и композиции алгоритмов
05 Нейронные сети и обзор методов
01 Машинное обучение и линейные модели
02 Борьба с переобучением и оценивание качества
03 Линейные модели: классификация и практические аспекты
04 Решающие деревья и композиции алгоритмов
05 Нейронные сети и обзор методов
Поиск структуры в данных
В модуле будут рассмотрены алгоритмы кластеризации данных, с помощью которых можно, например, искать группы схожих клиентов мобильного оператора. Также в модуле Вас ждет построение матричных разложений и решение задач тематического моделирования, понижения размерности данных, поиск аномалии и визуализация многомерных данных.
01 Кластеризация
02 Понижение размерности и матричные разложения
03 Визуализация и поиск аномалий
04 Тематическое моделирование
01 Кластеризация
02 Понижение размерности и матричные разложения
03 Визуализация и поиск аномалий
04 Тематическое моделирование
Построение выводов по данным
Модуль ориентирован на рассмотрение вопросов построения выводов по данным: построение корректных выводов, оценка параметров, проверка гипотезы и установление причинно-следственных.
01 Интервалы и гипотезы
02 АБ-тестирование
03 Закономерности и зависимости
04 Неделя задач
01 Интервалы и гипотезы
02 АБ-тестирование
03 Закономерности и зависимости
04 Неделя задач
Прикладные задачи анализа данных
В модуле разбираются прикладные задачи из различных областей анализа данных: анализ текста и информационный поиск, коллаборативная фильтрация и рекомендательные системы, бизнес-аналитика и прогнозирование временных рядов. На примерах можно узнать, как извлекать признаки из разнородных данных, какие при этом возникают проблемы и как их решать.
01 Бизнес-задачи
02 Анализ медиа
03 Анализ текстов
04 Рекомендации и ранжирование
01 Бизнес-задачи
02 Анализ медиа
03 Анализ текстов
04 Рекомендации и ранжирование
Анализ данных
Завершающий модуль, ориентированный на применение полученных знаний в работе по решению конкретных задач электронной коммерции, социальных медиа, информационного поиска, бизнес-аналитики.
01 Вступление
02 Идентификация интернет-пользователей
03 Прогнозирование оттока клиентов
04 Прогнозирование временных рядов на карте
05 Анализ тональности отзывов
01 Вступление
02 Идентификация интернет-пользователей
03 Прогнозирование оттока клиентов
04 Прогнозирование временных рядов на карте
05 Анализ тональности отзывов
Математика и Python для анализа данных
В данном модуле рассматриваются фундаментальные вопросы математического анализа, линейной алгебры и теории вероятностей. Эти базовые знания являются фундаментом для понимания методов анализа данных и машинного обучения.
01 Введение
02 Библиотеки Python и линейная алгебра
03 Оптимизация и матричные разложения
04 Случайность
01 Введение
02 Библиотеки Python и линейная алгебра
03 Оптимизация и матричные разложения
04 Случайность
Обучение на размеченных данных
Модуль ориентирован на темы обучения на размеченных данных или обучения с учителем. Обучение на размеченных данных – это возможность предсказать величину для любого объекта, имея конечное число примеров. Например, уровень пробок на участке дороги, возраст пользователя по его действиям в интернете, цену на подержанную машину.
01 Машинное обучение и линейные модели
02 Борьба с переобучением и оценивание качества
03 Линейные модели: классификация и практические аспекты
04 Решающие деревья и композиции алгоритмов
05 Нейронные сети и обзор методов
01 Машинное обучение и линейные модели
02 Борьба с переобучением и оценивание качества
03 Линейные модели: классификация и практические аспекты
04 Решающие деревья и композиции алгоритмов
05 Нейронные сети и обзор методов
Поиск структуры в данных
В модуле будут рассмотрены алгоритмы кластеризации данных, с помощью которых можно, например, искать группы схожих клиентов мобильного оператора. Также в модуле Вас ждет построение матричных разложений и решение задач тематического моделирования, понижения размерности данных, поиск аномалии и визуализация многомерных данных.
01 Кластеризация
02 Понижение размерности и матричные разложения
03 Визуализация и поиск аномалий
04 Тематическое моделирование
01 Кластеризация
02 Понижение размерности и матричные разложения
03 Визуализация и поиск аномалий
04 Тематическое моделирование
Построение выводов по данным
Модуль ориентирован на рассмотрение вопросов построения выводов по данным: построение корректных выводов, оценка параметров, проверка гипотезы и установление причинно-следственных.
01 Интервалы и гипотезы
02 АБ-тестирование
03 Закономерности и зависимости
04 Неделя задач
01 Интервалы и гипотезы
02 АБ-тестирование
03 Закономерности и зависимости
04 Неделя задач
Прикладные задачи анализа данных
В модуле разбираются прикладные задачи из различных областей анализа данных: анализ текста и информационный поиск, коллаборативная фильтрация и рекомендательные системы, бизнес-аналитика и прогнозирование временных рядов. На примерах можно узнать, как извлекать признаки из разнородных данных, какие при этом возникают проблемы и как их решать.
01 Бизнес-задачи
02 Анализ медиа
03 Анализ текстов
04 Рекомендации и ранжирование
01 Бизнес-задачи
02 Анализ медиа
03 Анализ текстов
04 Рекомендации и ранжирование
Анализ данных
Завершающий модуль, ориентированный на применение полученных знаний в работе по решению конкретных задач электронной коммерции, социальных медиа, информационного поиска, бизнес-аналитики.
01 Вступление
02 Идентификация интернет-пользователей
03 Прогнозирование оттока клиентов
04 Прогнозирование временных рядов на карте
05 Анализ тональности отзывов
01 Вступление
02 Идентификация интернет-пользователей
03 Прогнозирование оттока клиентов
04 Прогнозирование временных рядов на карте
05 Анализ тональности отзывов
О ПРОЦЕССЕ ОБУЧЕНИЯ
Ядро программы обучения.
Работа происходит в онлайн-курсах специализации “Машинное обучение и анализ данных” на Coursera.
Онлайн-курсы содержат теоретический материал, задачи и тесты.
Содержание включает полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Освоение онлайн-курсов происходит слушателями самостоятельно в комфортное время со строгим соблюдением дедлайнов.
Работа происходит в онлайн-курсах специализации “Машинное обучение и анализ данных” на Coursera.
Онлайн-курсы содержат теоретический материал, задачи и тесты.
Содержание включает полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Освоение онлайн-курсов происходит слушателями самостоятельно в комфортное время со строгим соблюдением дедлайнов.
Онлайн-курсы
Практическое сопровождение онлайн-курсов.
Реализуется преподавателями СФУ в формате семинарских занятий.
Занятия ориентированы на темы онлайн-курсов с дополнительным разбором практических примеров; решением задач, вызывающих сложности в самостоятельной работе.
Преимущество этой работы - гибкость в построении содержания занятий и ориентацией на запросы слушателей программы.
Реализуется преподавателями СФУ в формате семинарских занятий.
Занятия ориентированы на темы онлайн-курсов с дополнительным разбором практических примеров; решением задач, вызывающих сложности в самостоятельной работе.
Преимущество этой работы - гибкость в построении содержания занятий и ориентацией на запросы слушателей программы.
Практики с преподавателями СФУ
Продвинутый уровень практической работы, который раскрывает и усиливает предыдущую работу с онлайн-курсами и практиками.
Реализуется в малых группах под руководством опытных менторов - представителей Яндекс и Ингосстрах. Группам даются кейсы из реальной IT-практики компаний. Работа над кейсом завершается защитой, которая также является итоговым аттестационным испытанием.
К групповой работе допускаются слушатели, успешно прошедшие промежуточную аттестацию.
Реализуется в малых группах под руководством опытных менторов - представителей Яндекс и Ингосстрах. Группам даются кейсы из реальной IT-практики компаний. Работа над кейсом завершается защитой, которая также является итоговым аттестационным испытанием.
К групповой работе допускаются слушатели, успешно прошедшие промежуточную аттестацию.
Групповая работа над решением кейсов
Консультационная поддержка слушателей на всем периоде обучения.
Поддержка оказывается в группе в Telegram как по организационным вопросам, так и по вопросам обучения на онлайн-курсах.
На основе запросов слушателей происходит корректировка содержания практической работы с преподавателями СФУ.
Поддержка оказывается в группе в Telegram как по организационным вопросам, так и по вопросам обучения на онлайн-курсах.
На основе запросов слушателей происходит корректировка содержания практической работы с преподавателями СФУ.
Поддержка слушателей
Погружение в содержание и кейсы отдельных тем курса, возможность дополнительной работы с приглашенными практиками, лекторами, специалистами в Data Science.
Количество, темы и содержание погружений определяются в процессе обучения.
Количество, темы и содержание погружений определяются в процессе обучения.
Погружения
Онлайн-курсы
Ядро программы обучения.
Работа происходит в онлайн-курсах специализации “Машинное обучение и анализ данных” на Coursera.
Онлайн-курсы содержат теоретический материал, задачи и тесты.
Содержание включает полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Освоение онлайн-курсов происходит слушателями самостоятельно в комфортное время со строгим соблюдением дедлайнов.
Работа происходит в онлайн-курсах специализации “Машинное обучение и анализ данных” на Coursera.
Онлайн-курсы содержат теоретический материал, задачи и тесты.
Содержание включает полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Освоение онлайн-курсов происходит слушателями самостоятельно в комфортное время со строгим соблюдением дедлайнов.
Практики с преподавателями СФУ
Практическое сопровождение онлайн-курсов.
Реализуется преподавателями СФУ в формате семинарских занятий.
Занятия ориентированы на темы онлайн-курсов с дополнительным разбором практических примеров; решением задач, вызывающих сложности в самостоятельной работе.
Преимущество этой работы - гибкость в построении содержания занятий и ориентацией на запросы слушателей программы.
Реализуется преподавателями СФУ в формате семинарских занятий.
Занятия ориентированы на темы онлайн-курсов с дополнительным разбором практических примеров; решением задач, вызывающих сложности в самостоятельной работе.
Преимущество этой работы - гибкость в построении содержания занятий и ориентацией на запросы слушателей программы.
Групповая работа над решением кейсов
Продвинутый уровень практической работы, который раскрывает и усиливает предыдущую работу с онлайн-курсами и практиками.
Реализуется в малых группах под руководством опытных менторов - представителей Яндекс и Ингосстрах. Группам даются кейсы из реальной IT-практики компаний. Работа над кейсом завершается защитой, которая также является итоговым аттестационным испытанием.
К групповой работе допускаются слушатели, успешно прошедшие промежуточную аттестацию.
Реализуется в малых группах под руководством опытных менторов - представителей Яндекс и Ингосстрах. Группам даются кейсы из реальной IT-практики компаний. Работа над кейсом завершается защитой, которая также является итоговым аттестационным испытанием.
К групповой работе допускаются слушатели, успешно прошедшие промежуточную аттестацию.
Погружения
Погружение в содержание и кейсы отдельных тем курса, возможность дополнительной работы с приглашенными практиками, лекторами, специалистами в Data Science.
Количество, темы и содержание погружений определяются в процессе обучения.
Количество, темы и содержание погружений определяются в процессе обучения.
Поддержка слушателей
Консультационная поддержка слушателей на всем периоде обучения.
Поддержка оказывается в группе в Telegram как по организационным вопросам, так и по вопросам обучения на онлайн-курсах.
На основе запросов слушателей происходит корректировка содержания практической работы с преподавателями СФУ.
Поддержка оказывается в группе в Telegram как по организационным вопросам, так и по вопросам обучения на онлайн-курсах.
На основе запросов слушателей происходит корректировка содержания практической работы с преподавателями СФУ.
О ПРОЦЕССЕ ОБУЧЕНИЯ
D
(3)
C
(5)
(7)
МЫ ЖДЕМ ВАС
Студенты
Выпускники
Область знаний для всех категорий: математика / компьютерные науки / информатика и вычислительная техника / информационные системы и технологии / анализ данных и машинное обучение
Начинающие специалисты
старших курсов бакалавриата или специалитета; магистратуры или аспирантуры
высших учебных заведений
Обязательное условие: посещение очных занятий в г. Красноярск
ОСТАЛИСЬ ВОПРОСЫ?
Пишите
data-school@sfu-kras.ru
+7 (923) 369 41 69
Менеджер программы Галина
Менеджер программы Галина
Звоните
Задавайте вопросы тут