balun.courses
Освой практические навыки, которые ты 100% сможешь применять на практике. Без воды. Средняя оценка учеников – 4,89/5.. 5 лет – стаж каждого преподавателя школы. >700 человек обучились на наших курсах.
Курс по Data Science для middle: senior-навыки за 6 недель
Продолжительность
12 ч 13 мин
Категория
Обработка и анализ данных
Количество уроков
7 Видео
Дата добавления
8 дек. 2025 г., 22:04
Язык
Русский
Дата обновления
8 дек. 2025 г., 22:04
Best practices по внедрению моделей в продакшн на примере реальных задач из BigTech. Без «красивых» ML и базовых методов - только грязные данные, real-time ML и ежедневные проблемы DS на работе.
Темы курса:
- Работа с грязными и нестабильными данными, поиск смещений и дрейфов
- Feature engineering, оптимизация моделей и внедрение в production
- Real-time ML, мониторинг, автоматическое переобучение
- Привязка ML-решений к бизнес-метрикам компании, A/B-тестирование
- Использование современных моделей (Catboost, Tabnet, DSSM, Bert) и MLOps-инструментов
Формат подойдет тем, кто уже пишет на Python и работает с инструментами анализа данных. Уровень: для практикующих специалистов, а не для новичков. Курс закрывает пробелы, мешающие карьерному росту, через работу над реальными задачами.
Посмотреть больше
Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум
-
Урок 1. 01:35:13Урок 1. Feature Engineering для продакшена
-
Урок 2. 01:46:01Урок 2. Смещения (Bias) и согласованность данных
-
Урок 3. 01:52:53Урок 3. База по моделям
-
Урок 4. 01:56:11Урок 4. Оптимизация ML-моделей для продакшена
-
Урок 5. 01:34:33Урок 5. Нестандартные сценарии использования ML
-
Урок 6. 01:58:45Урок 6. Real-time ML и потоковая обработка
-
Урок 7. 01:29:58Урок 7. Мониторинг и обслуживание моделей
Авторы - balun.courses, Дмитрий Сафонов
Дмитрий Сафонов
Data Science Team Lead в Яндексе. Он разрабатывает алгоритмы антифрода для рекламы и руководит ML-командой Яндекса, имеет опыт построения прогнозных моделей биржевых индикаторов, а также разработки инфраструктуры для автоматизации ML-процессов в компании Quantum Brains. Дмитрий преподавал анализ данных на Python в СПБГЭУ и известен практическим подходом к обучению, основанным на реальных кейсах из индустрии.
Категории
Комментарии
Команда внимательно читает ваши комментарии и оперативно на них реагирует. Вы можете спокойно оставлять запросы на обновления или задавать любые вопросы о курсе здесь.
Другие материалы в этой категории
LunarTech
1 янв. 2025 г., 18:36
Примеры из практики в Product Data Science
Case Study in Product Data Science
Это курс, который предлагает уникальные возможности для студентов, стремящихся освоить ключевые аспекты анализа данных в продуктовой разработке. Курс разработан, чтобы вдохновлять, обучать и вовлекать, предоставляя практические примеры и глубокие знания.
LunarTech
22 дек. 2024 г., 22:11
Подготовка к собеседованию по Data Science
Data Science Interview Prep
Добро пожаловать в курс подготовки к собеседованию по Data Science от LunarTech - ваш всеобъемлющий путеводитель к успешному прохождению интервью в сфере науки о данных. Этот курс - не просто подготовка к собеседованию, а первый шаг к построению успешной карьеры в Data Science.
Talkpython
25 апр. 2024 г., 18:57
Старт в Data Science с 10 проектами
Data Science Jumpstart with 10 Projects Course
Этот курс даст вам навыки и инструменты для глубокого погружения в data science с использованием Python. Мы предполагаем, что у вас есть базовые знания Python, но нет знаний в области концепций data science. Курс познакомит вас с теми же инструментами, которые используют data scientists, инженеры по данным и аналитики для решения реальных задач.
Proglib
20 мар. 2023 г., 21:50
Математика для Data Science
Вы научитесь решать задачи, которые дают на собеседованиях в компании размера FAANG, Snapchat, Amazon. Курс также идеально подходит к поступлению в Школу анализа данных от Яндекс. Программа разработана преподавателями ВМК МГУ, одного из лучших математических факультетов страны.
Желаем вам приятного и полезного изучения материалов.
PS. Материалы курса будут публиковаться по мере их выхода на оригинальной платформе автора.