iTechArt logo

Что будет за время
обучения?

  • Практические занятия - ежедневно
  • Лекции - 1 раз в неделю на 2 часа
Есть вопросы? Пиши.

Возможность трудоустройства:
лучшим студентам Job-оффер

Что будет за время обучения?

Практическая часть

  • Работа с популярными ML-библиотеками (PyTorch, Scikit-Learn), пакетами обработки данных (NumPy, OpenCV)
  • Разработка индивидуального проекта по предсказанию временных рядов
  • Создание CLI для ML-решения
  • Разработка группового проекта в области компьютерного зрения, внедрение ML-решения в веб-сервис
  • Работа с облачной платформой AWS, настройка инфраструктуры MLOps

Теоретическая часть

  • Классические алгоритмы машинного обучения
  • State-of-the-art подходы в глубоком обучении и компьютерном зрении
  • Методологии, инструменты и процессы разработки ML-программ (Agile, Jira)
  • Инфраструктура ML-экспериментов и MLOps (DVC, MLflow)
  • Docker, CI/CD
  • Web API и CLI для ML-решений (Flask, argparse)
  • Анализ кода и статическая типизация в Python
  • Тестирование ML-компонентов

Какие знания тебе пригодятся?

  • Понимание основ математики (производная, вектор), теории вероятностей
  • Алгоритмы (нотация O-большое), принцип работы популярных структур данных
  • Основные концепции и синтаксис языка Python
  • Понимание основных принципов ООП
  • Базовое представление о классическом машинном обучении
  • Основы работы сети Internet (ISO OSI, TCP/IP, DNS, HTTP/HTTPS)
  • Английский на уровне Intermediate или выше

Преимуществом будет

  • Пройденный курс или прочитанная книга по машинному обучению
  • Опыт обучения моделей машинного обучения, обработки данных (Scikit-Learn, NumPy, Matplotlib)
  • Опыт создания бэкенд-части web-приложений (например, на Flask, Django или FastAPI)
  • Понимание принципов проектирования (SOLID, KISS, YAGNI, DRY)
  • Опыт использования ОС Linux и терминала

О направлении

Machine Learning, или машинное обучение – удивительная область, в которой алгоритмы не создаются в явном виде программистом, а обучаются, впитывая знания из данных. Чтобы разобраться во внутреннем устройстве моделей машинного обучения, потребуется базовое понимание некоторых академических дисциплин (теория вероятностей, статистика, линейная алгебра, матанализ, численная оптимизация). Между тем, современный бум машинного обучения связан именно с прикладным применением ML‑алгоритмов. Создание прикладного ПО на базе машинного обучения называют Machine Learning Engineering. ML‑инженеру следует быть прежде всего хорошим разработчиком, но при этом отлично разбираться в специфике создания ML‑решений и внутреннем устройстве ML‑алгоритмов.

ML‑инженер отвечает практически за весь цикл разработки, обучения, развертывания и поддержки решений в области машинного обучения. В то же время, когда на проект привлекают ML‑инженера, предполагается, что задача уже перешла из области абстрактной бизнес-проблемы в область технической задачи. Как только ML‑решение готово и развёрнуто в продакшене, ML‑инженер наблюдает только технические показатели, но не занимается доказательством эффекта для бизнеса (ведь для этого есть Data Scientist и Data Analyst). От ML‑инженера не ждут глубокого понимания бизнес-составляющей и искусной презентации – такому специалисту достаточно иметь soft skills на уровне типичного инженера по разработке ПО.

Машинное обучение может использоваться для самых разнообразных данных и задач. Из-за этого возникло множество углубленных специализаций в рамках профессии Machine Learning Engineer. В качестве примеров можно назвать специалистов Computer Vision Engineer, NLP Engineer, Motion Planning Engineer и т.д.

Популярные вопросы

01

Какие форматы обучения существуют в Students Lab?

  • Курсы — сочетают в себе теоретические лекции и практические задания. У тебя будет ментор, который поможет во всём разобраться. Курс завершается разработкой группового проекта.
  • Стажировка — моделирует условия, максимально приближенные к реальному проекту. На 2-3 месяца ты становишься частью команды и разрабатываешь полноценный проект, всё это время тебя поддерживает опытный ментор.
02

Как проходит обучение?

У каждого направления уникальная учебная программа. Ты получишь задание для индивидуального и/или группового проекта и будешь заниматься под руководством ментора.

03

Насколько легко совмещать Students Lab и занятия в колледже/университете?

Мы понимаем, что не хочется ждать выпускного, чтобы начать карьеру. Практика не должна быть в ущерб основной учёбе: для стажёров предусмотрен гибкий график с шестью рабочими часами.

04

Стажировка оплачивается? Какие шансы получить предложение о работе после окончания Students Lab?

В Students Lab нет стипендий, зато есть всё необходимое для быстрого погружения в профессию. Мы всегда замечаем наиболее старательных стажёров и приглашаем их на работу в команду iTechArt.

05

Можно ли пройти практику в iTechArt?

Ты сможешь пройти университетскую практику в Students Lab, если уже стажируешься или обучаешься на наших курсах. Мы готовы распределить тех, кто присоединился к нам в качестве сотрудника, успешно завершив курсы.

06

По каким технологиям проводится обучение?

Java, C#, .NET, PHP, Python, Ruby, QA, Mobile (Android/iOS), Salesforce, JavaScript, Big Data, Data Science, DevOps, Golang, Project Management, Business Analysis, Marketing, Recruitment, HR, UI\UX Designer и не только. Ежегодно мы увеличиваем список направлений.

07

Что делать, если не удалось попасть в Students Lab с первого раза?

Не отчаиваться! Нужно немного подтянуть знания и пробовать силы уже в следующем наборе.

08

Как часто бывают новые наборы?

Мы заранее публикуем график новых наборов на сайте, а также в наших социальных сетях. Следи за новостями.

09

Как скоро я получу ответ после отправки заявки?

Из-за большого количества заявок время ответа может увеличиться до недели. Мы делаем все возможное, чтобы сократить время ожидания, и обязательно свяжемся со всеми, кто подает заявки на курсы и стажировки.

Есть вопросы? Пиши.

отправь резюме .  отправь резюме .  отправь резюме .  отправь резюме . 

Отправь резюме
Создай резюме