ТОП-10 курсов машинного обучения – рейтинг обучения 2024

1 место. Курс Machine Learning с нуля до Junior от Skillbox

Цена курса: 106 174 ₽ или рассрочка на 22 месяца – 4 826 ₽ / мес Сайт школы: https://skillbox.ru/course/paket-machine-learning-0-junior/

• Аналитически мыслить
• Работать с инструментами анализа данных
• Строить ML-модели
• Извлекать данные из различных источников
• Настраивать инфраструктуру
• Работать в Git.

1. Введение в Data Science
2. Основы статистики и теории вероятностей
3. Основы математики для Data Science
4. Возможность стажировки

5. Machine Learning. Junior

6. Введение в Data Science
7. Machine Learning

8. Карьера разработчика: трудоустройство и развитие
9. Система контроля версий Git
10. Английский для IT-специалистов.

2 место. Курс Machine Learning от SkillFactory

Цена курса: 36 900 ₽, возможна рассрочка Сайт школы: https://skillfactory.ru/machine-learning

1. Введение в машинное обучение
2. Методы предобработки данных
3. Регрессия
4. Кластеризация
5. Tree-based алгоритмы: введение в деревья
6. Tree-based алгоритмы: ансамбли
7. Оценка качества алгоритмов
8. Временные ряды в машинном обучении
9. Рекомендательные системы
10. Финальный хакатон.

3 место. Курс Факультет Искусственного интеллекта от GeekBrains

Цена курса: Рассрочка до 36 месяцев – от 4 194 ₽ / мес Сайт школы: https://gb.ru/geek_university/data-science

1. Подготовительный блок
2. Программирование
3. Сбор данных и статистическое исследование
4. Математика для Data Scientist
5. Машинное обучение
6. Нейронные сети
7. Задачи искусственного интеллекта
8. Предметы с индивидуальным выбором даты старта.

4. Курс Machine Learning. Advanced от OTUS

Цена курса: 82 500 ₽ Сайт школы: https://otus.ru/lessons/advanced-ml/

• Настраивать окружение и писать production код, готовый к внедрению
• Работать с AutoML подходами и понимать ограничения в их применении
• Понимать и уметь применять Байесовские методы и обучение с подкреплением для соответствующих задач
• Решать нестандартные проблемы, возникающие в рекомендательных системах, временных рядах и графах.

1. Advanced Machine Learning. AutoML
2. Production
3. Временные ряды
4. Рекомендательные системы. Задача ранжирования
5. Графы
6. Bayesian Learning, PyMC
7. Reinforcement Learning
8. Проектная работа
9. Дополнительные материалы ML
10. Дополнительные материалы Deep Learning.

5. Курс Машинное обучение от НИУ ВШЭ

Цена курса: 72 000 ₽ Сайт школы: https://cs.hse.ru/dpo/ml

• Узнаете, как работают классические алгоритмы машинного обучения
• Изучите основные виды моделей
• Научитесь обрабатывать данные и проводить их первичный анализ.

1. Введение в машинное обучение
2. Линейные методы машинного обучения
3. Продвинутые методы машинного обучения
4. Работа с признаками и другие задачи машинного обучения.

6. Курс Data Science. Уровень 2. Применение машинного обучения от Центр компьютерного обучения «Специалист» при МГТУ им.Н.Э.Баумана

Цена курса: 43 990 ₽ – 106 000 ₽ Сайт школы: https://www.specialist.ru/course/ds2

• применять на практике алгоритмы машинного обучения для решения аналитических задач
• выбирать оптимальный алгоритм для анализа.

1. Постановка задачи
2. Деревья решений
3. Линейные модели
4. Кластеризация
5. Временные ряды
6. Нейронные сети
7. Анализ текста.

7. Курс Data Science. Уровень 2: Машинное обучение от Московский Государственный Технический Университет им. Н.Э. Баумана

Цена курса: 38 090 руб. Сайт школы: http://edu.bmstu.ru/napravleniya-obucheniya/biznes-analitika/datascience2

• основам работы машинного обучения
• использовать метод ближайших соседенй (kNN)
• работать по основным метрикам в задачах бинарной классификации
• подготавливать и нормализовать данные для последующей обработки
• работать с атрибутами методом опорных векторов SVM
• работать с методами регрессивного и кластерного анализов
• разрабатывать рекомендательные системы.

1. Введение в машинное обучение
2. Метод ближайших соседей (KNN)
3. Метрики и их практическое применение
4. Подготовка и нормализация данных. Уменьшение размерности данных – метод главных компонент
5. Выбор атрибутов при решении задачи. Метод опорных векторов SVM
6. Регрессия (Прогнозирование конкретного значения)
7. Decision trees, random forest
8. Разбалансированные датасеты и методы их балансировки
9. Bagging, boosting, stacking – алгоритмы повышения точности
10. Кластеризация, метод k-mean. Полная и условная вероятность. Теорема Байеса
11. Рекомендательные системы. Персонализированные и неперсонализированные, проблема холодного старта
12. Внедрение моделей в Production
13. Итоговая аттестация.

8. Курс Машинное обучение и Data Science от BigData Team

Цена курса: 35 000 рублей – 65 000 рублей Сайт школы: https://bigdatateam.org/ru/machine-learning-course

• Введение в машинное обучение и библиотеки ML для Python
• Линейные модели, регуляризация, SVM, метрики качества
• Деревья
• Ансамбли решающих деревьев

• Нейронные сети и введение в глубокое обучение (Deep learning)
• Deep Learning: CNN, RNN, Attention
• Обучение без учителя (Unsupervised learning)
• Погружение в большие данные (Big Data)
• Защита проекта.

9. Курс Машинное обучение от Издательский дом «ПостНаука»

Бесплатно Сайт школы: https://postnauka.ru/courses/74896

1. Список литературы: Машинное обучение
2. Математическое моделирование и вычислительная математика
3. Глубинное обучение и обучение с подкреплением
4. Генерация изображений и текстур
5. Машинное обучение в индустриальной инженерии
6. Классическое моделирование и машинное обучение
7. Байесовские методы машинного обучения
8. Тезаурус: Машинное обучение
9. Максим Федоров: «В шахматах уже появилось понятие «кентавры» ― так называют команду из человека и машины»
10. Как обучить нейронную сеть?

10. Курс Машинное обучение на Python от Университет искусственного интеллекта

Цена курса: нет информации Сайт школы: https://neural-university.ru/machine-learning

1. Подготовка данных для построения модели и простейшие алгоритмы машинного обучения

• Первичная обработка исходных данных. Основные недостатки исходных данных: «мусор», пропуски, выбросы
• Метод k-соседей (k- neighbors)
• Обработка исходных данных DataSet Titanic и построение модели бинарной классификации.

2. Метрики в задачах бинарной классификации, классификаторы Байеса

• Метрики в задачах бинарной классификации. Полнота, точность, accuracy, ROC-AUC кривая, f-мера
• Классификаторы Байес
• Построение модели для DataSet Titanic, анализ качества моделей.

3. Линейные модели, задачи регрессии

• Линейная регрессия, метод наименьших квадратов
• Задача регрессии и нормализация признаков
• Построение модели для DataSet Energy Star Score, анализ качества модели.

11. Курс Основы машинного обучения от Открытое образование

Цена курса: нет информации Сайт школы: https://openedu.ru/course/hse/INTRML/

1. Основные понятия и задачи в машинном обучении
2. Метод k ближайших соседей
3. Линейная регрессия
4. Градиентный спуск
5. Линейная классификация
6. Логистическая регрессия и метод опорных векторов
7. Решающие деревья
8. Бэггинг и случайный лес
9. Градиентный бустинг
10. Обучение без учителя
11. Рекомендательные системы.

• Применять искусственный интеллект и машинное обучение
• Применять математический аппарат для решения задач по оценке и разработки моделей
• Решать задачи искусственного интеллекта (ИИ)
• Осуществлять сбор и подготовку данных для обучения моделей искусственного интеллекта
• Разрабатывать и применять методы машинного обучения (МО) для решения задач.

12. Курс Машинное обучение от Amazon Web Services

Цена курса: разная стоимость Сайт школы: https://aws.amazon.com/ru/training/learn-about/machine-learning/

13. Курс Машинное обучение от newprolab

Цена курса: 28 000 руб. Сайт школы: https://newprolab.com/ru/ml-module

• Научитесь решать задачи регрессии и классификации при помощи различных алгоритмов машинного обучения, работая со структурированным типом данных. Узнаете, как правильно предобрабатывать и готовить данные для повышения качества прогноза моделей.
• Научитесь представлять текст в векторном виде и решать задачи машинного обучения в классическом виде. Узнаете, как проводить сентимент-анализ отзывов в интернете, для чего нужен word2vec и bag of words.
• Научитесь создавать ансамбли из моделей, объединяя базовые классификаторы в один большой и повышая качество этой мета-модели. Узнаете, чем стэкинг отличается от блендинга, а также об их достоинствах и недостатках.
• Узнаете о современных достижениях в области Deep Learning и какие виды задач можно решать при помощи глубоких нейронных сетей.

14. Курс Вводный курс ML от Дмитрий Макаров

Бесплатно Сайт школы: https://www.dmitrymakarov.ru/intro/

1. О курсе
2. Программирование на Питоне
3. Нескучно о математике
4. Строим первые модели
5. Переходим на следующий уровень.

15. Курс Машинное обучение и анализ данных от ФПК ННГУ

Цена курса: 35 000 руб. Сайт школы: https://fpk.unn.ru/onlajn-kursy-po-mashinnomu-obucheniyu-i-analizu-dannyh/

1. Основы синтаксиса
2. Структуры данных
3. Пользовательские функции
4. Файлы
5. Работа с модулями
6. Объектно-ориентированное программирование

1. Линейная алгебра (матрицы и вектора, операции над матрицами, виды матриц и их свойства, определитель матрицы; собственные вектора; решение системы линейных уравнений)
2. Теория вероятности (понятие вероятности и случайной величины, свойства вероятностей, основные статистики, условная вероятность и формула Байеса, распределения вероятностей)
3. Математический анализ (свойства основных функций, производная функции многих переменных, производная сложной функции, пределы)

1. Введение. Первичный анализ данных.
2. Постановки задач машинного обучения.
3. Градиентный спуск. Введение в numpy.
4. Логистическая регрессия. Переобучение.
5. Переобучение и борьба с ним
6. Работа с признаками.
7. Метод опорных векторов. Многоклассовая классификация.
8. Решающие деревья.
9. Композиции.
10. Градиентный бустинг. CatBoost и XGBoost.
11. Кластеризация.
12. Полносвязные нейронные сети.
13. Обзор пройденного за курс. Воркшоп по решению “боевой” задачи.

16. Курс Машинное обучение от AI-ACADEMY

Бесплатно Сайт школы: https://ml.ai-academy.ru/

• Программировать на Python и пользоваться встроенными библиотеками для машинного обучения и анализа данных
• Находить закономерности в данных и визуализировать результаты анализа
• Самостоятельно строить алгоритмы машинного обучения для решения прикладных задач.

1. Вводное занятие
2. Основы Python
3. Анализ данных
4. Машинное обучение
5. Финальный проект.

17. Курс Машинное обучение от Компьютерные науки

Бесплатно Сайт школы: https://www.youtube.com/playlist?list=PLJOzdkh8T5krxc4HsHbB8g8f0hu7973fK

1. Вводная лекция
2. Линейные методы
3. Метрические методы.
4. Метод опорных векторов.
5. Многомерная линейная регрессия.
6. Нелинейная регрессия.
7. Прогнозирование временных рядов.
8. Критерии выбора моделей.
9. Логические методы классификации.
10. Поиск ассоциативных правил.
11. Байесовская классификация.
12. Кластеризация и частичное обучение.
13. Нейронные сети и градиентные методы.
14. Нейронные сети глубокого обучения.
15. Линейные композиции, бустинг.
16. Композиции классификаторов, часть 2.
17. Обучение ранжированию.
18. Рекомендательные системы.
19. Тематическое моделирование.
20. Обучение с подкреплением.
21. Активное обучение.
22. Заключительная лекция.