Станьте Middle AI разработчиком за 6 месяцев и реализуйте собственный нейросетевой проект
Нажимая кнопку, я даю согласие на обработку персональных данных и соглашаюсь c политикой конфиденциальности и договором оферты.
Курс "Data science и нейронные сети на Python"
Для разработчиков с опытом
от 1 года на любом языке
Вы пока не программист? У нас есть специальный курс для Вас!
Длительность - 6 месяцев
Вас ждёт 6 месяцев занятий и +2 месяца на защиту диплома и экзамен
1.
Старт 19 июля
Курс стартует 19 июля и будет идти дальше по воскресеньям
2.
26 занятий
Вы пройдёте 26 занятий по нейронным сетям и выполните 26 практических заданий
3.
3
Мы работаем по лицензии Министерства образования РФ и выдаём полноценный диплом о переквалификации
Диплом установленного образца
4.
5.
Стоимость
от 39.900р
Есть рассрочка 0% на 6-12 месяцев
Посмотрите короткое видео и узнайте все
об Университете
Получите курсы «Python для анализа данных», «Базовая математика» и «Трудоустройство для AI разработчика» в подарок
+ получите 3 курса в подарок
При оплате в течение 7 дней с первой заявки
Отзывы о курсе
Получите консультацию специалиста и узнайте ваши индивидуальные условия обучения
Оставьте заявку, и вам перезвонит менеджер
Нажимая на кнопку, я соглашаюсь с политикой конфиденциальности.
Что будет результатом обучения
Вы станете Middle AI разработчиком за 6 месяцев вместо 2 лет самостоятельного изучения
Сильные навыки написания нейронных сетей
За 6 месяцев вы освоите более 28 реальных нейронных сетей: от самых простых до новейших и наиболее сложных нейронных сетей
Реализованный
нейросетевой проект для себя или своей компании
Вы получите неограниченное количество консультаций
и за время курса реализуете
свой нейросетевой
проект
Портфолио, диплом и рекомендации для трудоустройства
Вы получите всё необходимое для трудоустройства в области машинного обучения или для получения более интересных задач и большей зарплаты на текущем месте
За счёт чего вы сможете трудоустроиться
По итогам курса вы будете не только сильным специалистом, но и получите поддержку в трудоустройстве
Наш курс рассчитан так, что на выходе вы будете сильным специалистом, будете уметь всё, что требуется на рынке. В конце курс вы будете писать самые современные и сложные нейронные сети. Вы будете уметь решать 99% задач, которые востребованы на рынке

Более того, вы не только станете специалистом, но и сможете подтвердить это своим портфолио. В портфолио у вас будет дипломный проект, курсовой проект и более 20 нейронных сетей, которые вы реализуете в процессе обучения
Стажировка и трудоустройство в компании-партнёры Университета
У Университета есть компании-партнёры, например: Сбербанк, Фармасинтез, Медиалогия, VisorLabs и Айтеко
Эти компании ждут от нас ваши резюме сразу после завершения курса
Более того, уже во время обучения вы сможете пройти стажировку в некоторых из них и в самом Университете искусственного интеллекта
После стажировки, компании смогут сделать вам оффер с выходом на постоянную работу (в том числе, вы сможете устроиться в команду разработчиков Университета)
Диплом и рекомендации
Вы получите диплом установленного образца, это полноценный диплом, мы выдаём его по лицензии №039884 Министерства образования РФ
Это будет весомым плюсом для вашего трудоустройства, так как будет подтверждать то, что вы получили полноценное образование в профильной образовательной организации
В дополнение к диплому мы дадим вам индивидуальную рекомендацию на официальном бланке с печатью и подписью
Высочайшее качество обучения и портфолио
Формат обучения
С первого дня обучения у нас вы будете писать нейронные сети и решать реальные задачи
Стажировка
После 3-4 месяцев обучения вы сможете стажироваться в наших компаниях-партнёрах, а также в нашей команде. В каждой компании стажировка будет выстроена по-своему, большинство компаний, в случае успешной стажировки, сделают вам оффер на постоянную вакансию.
Консультации по реальной задаче
Когда вам нужна будет консультация по вашему проекту, вы сможете получить консультацию от Дмитрия Романова, преподавателей, кураторов и разработчиков Университета.
В течение всего курса вы сможете задавать вопросы опытным кураторам в чатах, кураторы смогут ответить на любые возникающие у вас вопросы как по заданиям, так и по рабочим проектам.
6 месяцев работы с куратором
Курсовая и дипломная работа
Дипломная работа - это ваше свободное исследование, вы должны будете сами придумать нейросетевую задачу и успешно её решить.
Курсовая работа, это предварительная работа по диплому в середине курса.
Устный экзамен в Skype
Для получения диплома вам необходимо будет сдать устный экзамен - это опрос по всем темам курса. Мы должны убедиться в том, что вы усвоили материал курса в полном объеме.
Эти библиотеки использует весь мир в коммерческих проектах, в них самый мощный функционал и эти библиотеки сформировали огромные сообщества разработчиков
Обучаем 3 лучшим в мире AI библиотекам
Почему Python?
Python несравнимо лучше любого другого языка не только для изучения нейронных сетей, но и для полноценной работы
Лучшие AI библиотеки
Keras, Tensorflow и PyTorch - библиотеки на Python
Самый простой в освоении
Python считается самым простым в освоении языком

С 2018 Python является самым популярным языком,
на hh.ru огромное количество Python вакансий, зарплаты Python разработчиков одни из самых высоких
Один из самых востребованных языков на рынке
Google предоставляет бесплатные серверы для обучения нейронных сетей, этот сервис работает только на Python
Google collaboratory
Мощная команда разработчиков и преподавателей
Дмитрий Романов
Основатель Университета искусственного интеллекта
✓ Senior AI разработчик
✓ Работает с AI с 2003 года
✓ Создал первый в России нейрокомпьютерный интерфейс
✓ Реализовал более 10 проектов в области
искусственного интеллекта
✓ Ключевой проект - нейрокомпьютерный интерфейс, ввод
текста с помощью мыслей
( Репортаж канала «Вести», 2008 год)
✓ Победитель инновационных форумов
✓ Публикации на ведущей конференции по нейронным
сетям «Нейроинформатике»
Преподаватели и кураторы
В Университете мощнейшая команда разработчиков и преподавателей
Дмитрий
Олег
Леонид
Герард
Сергей
Станислав
Владимир
Евгений
Андрей
Мария
Марат
Огромная база материалов
Количество материалов в нашей базе значительно превышает объём курса, вы сможете получить доступ к этим материалам при необходимости
190 ноутбуков с кодом
48 презентаций
68 записей занятий
89 домашних заданий
Используем уникальные базы
Эти базы соответствуют нашим реалиям
Резюме на hh.ru
Оценка зарплаты, которую установит соискатель по его резюме
Квартиры с Яндекс.
Недвижимости и Cian
Оценка стоимости Московских квартир по объявлениям
Сегментация самолётов на изображениях
Сегментированные самолёты
Предсказание цены машины по объявлению
Объявления о продаже машин на Юле
Книги писателей фантастов
Распознавание 6 писателей по их книгам
Рассказы с литературных конкурсов
Определение выхода рассказа в финал литературного конкурса
Предсказание курса акций Лукойл, биткоина и эфира
Акции Лукойл, биткоин и эфир
Умный upsale, определение, что допродать пользователям по статистике прошлых продаж
Продажи интернет магазина косметики
Диалоги для чат-бота
Создание чат-бота, который может поддерживать диалог и отвечать на вопросы
Аудио разных дикторов
Распознавание диктора по голосу, определение одного из 5 людей, который читает отрывок книги
Какие нейронные сети вы напишете
Все эти нейронные сети мы подробно разберём на занятиях
20. Распределение грузов по фурам
1. Распознавание рукописных цифр
4. Классификация обращений в органы гос.власти по Москве
2. Распознавание марок машин
6. Определение стоимости машины по объявлению на Юле
8. Определение стоимости квартиры
10. Предсказание акций Лукойл
12. Распознавание диктора по голосу
14. Генерация рукописных цифр
18. Интеллектуальный чат-бот
16. Сегментация изображений с регистратора для автопилотов автомобилей
22. Автоматический подбор архитектуры нейронной сети
24. Кластеризация продаж интернет-магазина косметики и умный upsale
26. Перенос стиля изображения
28. Распознавание голосовых команд для умного дома
5. Предсказание выхода рассказа в финал литературного конкурса
3. Классификация писателей
7. Определение зарплаты человека по резюме на hh.ru
9. Определение рейтинга статьи на habr.ru по тексту
11. Распознавание стилей музыки
13. Определение мошеннических операций по картам
15. Генерация изображений неба и самолетов
17. Сегментация самолетов
19. Сегментация договоров
21. Бот для прохождения лабиринта
23. Кластеризация резюме на hh.ru
25. Обучение нейронной сети игре в пинг-понг с помощью обучения с подкреплением
27. Распознавание речи
Запишитесь
на курс
Получите консультацию специалиста и узнайте ваши индивидуальные условия обучения
Программа обучения
Ниже вы можете посмотреть краткую программу обучения
Нажмите на название занятия, чтобы увидеть его подробное описание
БАЗОВЫЕ ТЕМЫ
26.07.2020 | Введение в нейронные сети
Описание занятия: Введение в программу курса. Знакомство с нейронными сетями и методикой их написания на примере базы рукописных цифр. Работа с математической моделью. Прописание архитектуры, слоев. Пояснительные комментарии: что из себя представляют разные параметры и характеристики слоев. Рассмотрение элементов, входящих в нейронную сеть, обучение сети, проверка на работоспособность. Цель занятия - показать, что написание нейронных сетей помимо разработки математической модели включает в себя обработку базы данных, с помощью которых и будет происходить обучение.
02.08.2020 | Полносвязные сети, обучающая и тестовая выборки
Описание занятия: Знакомство с ключевыми понятиями теории обучения нейронных сетей. Примеры активационных функций, их назначение и особенности. Построение нейронных сетей с простыми архитектурами. Рассмотрение понятия нейрон смещения (bias), его назначение. Рассмотрение различных способов формирования обучающей и проверочной выборок с использованием набора рукописных цифр MNIST. Создание и обучение нейронной сети для распознавания рукописных цифр, проверка и визуализация качества обучения сети. Рассмотрение вопроса переобучения нейронной сети и способов борьбы с переобучением. Рассмотрение дополнительных возможностей по увеличению качества распознавания. Создание нейронной сети для решения реальной задачи: предсказание цен машин с сайта YOULA.RU.
09.08.2020 | Свёрточные нейронные сети
Описание занятия: Преимущества свёрточных нейронных сетей на фоне остальных архитектур по отношению к распознаванию объектов. Цель занятия - показать, что может включать предварительная обработка выборки, как привести ее к нужной форме для того, чтоб на ней проверить свёрточную нейронную сеть. Изучение архитектуры свёрточных нейронных сетей: какие элементы участвуют, что используется, зачем используется, как проверяются данные на этих архитектурах и сравнение результатов. Работа со стандартными наборами - базой рукописных цифр и базой Cifar10.
16.08.2020 | Обработка текстов с помощью нейросетей
Описание занятия: Рассмотрение основных задач, связанных с обработкой текстов, которые способны решать нейронные сети. Знакомство с основными архитектурами нейронных сетей, применяемых для обработки текстовых данных. Рассмотрение способов векторизации текста для преобразования текстовых данных в числовые (разряженные и плотные вектора, векторные представления слов). Демонстрация предварительно обученных векторных представлений слов: CloVe (Global Vectors), Word2Vec, FastText. Решение практической задачи по классификации текстов на базе обращений граждан: парсинг исходной базы для создания обучающей и проверочной выборок, создание полносвзяной сети и сети с Embedding-слоем для решения поставленной задачи, сравнение результатов работы сетей. Решение практической задачи по классификации писателей: парсинг базы писателей, создание обучающей и проверочной выборок, демонстрация преобразования данных по принципу BagOfWords, создание полносвязной сети и сети с Embedding-слоем для классификации писателей, распознавание проверочной выборки.
23.08.2020 | Рекуррентные нейронные сети и одномерные свёрточные сети для обработки текстов
Описание занятия: Преимущества рекуррентных нейронных сетей для решение задач на нахождение последовательностей. Рассмотрение устройства рекуррентной нейронной сети: что собой представляет элемент запоминания в этой сети, каким образом выстраивается архитектура рекуррентных сетей, что необходимо знать о работе с каждым из типов и как их можно комбинировать с другими архитектурами. Работа на базе писателей. Задача занятия - классификация писателей с помощью рекуррентной сети, которая за счет запоминания последовательности между словами, определит стиль каждого из писателей, также решение задачи классификации писателей с помощью одномерной свёрточной сети.
30.08.2020 | Нейронные сети для решения задачи регрессии
Описание занятия: Рассмотрение термина регрессия в области нейронных сетей. Выделение различий при решении задач регрессии и рассматриваемых ранее задач классификации. Решение практической задачи по определению стоимости квартир с использование набора данных Boston Housing. Решение аналогичной задачи по определению стоимости квартир на собственной информационной базе: парсинг базы, преобразование имеющихся данных (как числовых, так и текстовых) к требуемому числовому представлению, формирование обучающей выборки, нормирование данных. Построение нейронной сети для решения поставленной задачи и оценка полученных результатов. Решение практической задачи по оценке зарплаты по базе с HeadHunter: парсинг базы, создание обучающей выборки, создание различных архитектур нейронных сетей для решения задачи и сравнение результатов их работы.
06.09.2020 | Полносвязные и рекуррентные нейронные сети для прогнозирования временных рядов
Описание занятия: Временные ряды - это отдельная глава в изучении нейронной сети. С одной стороны, задача напоминает регрессию, так как необходимо предугадать число. Например, необходимо предугадать цену на бензин, трафик на сайте, какую-то переменную во времени. С другой стороны, необходимо учитывать, что происходило до этого. Рассмотрение какие из ранее изученных архитектур оптимальнее подходят для баз с временными рядами. Предсказывание значений временных рядов. Работа с базами прогнозирования акций "Лукойла" и цен на бензин.
13.09.2020 | Прямые и свёрточные нейронные сети для обработки аудио сигналов
Описание занятия: Рассмотрение специфики обработки аудио с помощью нейронных сетей. Знакомство с популярными библиотеками по обработке аудио. Демонстрация работы с библиотекой librosa для параметризации аудио, извлечение признаков из аудиосигнала: пересечение с нулем, спектральный центроид, спектральный спад частоты, мел-частотные спектральные коэффициенты, частота цветности. Решение практической задачи по классификации жанров музыки.: формирование обучающей выборки, создание нейронной сети для решения поставленной задачи, проверка распознавания жанров музыки на основе различных признаков.
20.09.2020 | Автокодировщики
Описание занятия: После рассмотрения типов слоев и базовых архитектур возможен переход к более высокоуровневым архитектурам, которые выполняют конкретную функцию - к автокодировщикам. Знакомство с автокодировщиками. Рассмотрение особенностей и функций автокодировщиков. Пример: очищение от шума изображений рукописных цифр. Решение задачи на выявление мошеннических операций.
27.09.2020 | Вариационные автокодировщики, генеративные модели на базе автокодировщиков
Описание занятия: Рассмотрение различий вариационного и классического автокодировщиков. Задачи, решаемые на вариационном автокодировщике. Описание применения для решения задач вариационными автокодировщиками. Рассмотрение возможности задавать параметры и генерировать данные с заданными условиями.
04.10.2020 | Генеративные состязательные сети
Описание занятия: Рассмотрение вопроса генерации различного контента с использованием нейронных сетей (GAN). Выделений основных сложностей и способов их преодоления при решении задач генерации. Знакомство с принципиально новым подходом в построении архитектур нейронных сетей: создание двух "конкурирующих" между собой частей одной сети (генератор и дискриминатор). Описание процесса обучения каждой из частей и формирования обучающих выборок. Рассмотрение генеративных состязательных сетей с условием (сGAN). Решение практической задачи по генерации рукописных цифр на основе набора MNIST. Создание различных архитектур дискриминатора и генератора и сравнение качества их работы. Решение аналогичной задачи для генерации изображение на основе набора CIFAR10. Создание генератора с условием для генерации рукописных цифр.
ПРОДВИНУТЫЕ ТЕМЫ
11.10.2020 | Введение в генетические алгоритмы
Описание занятия: Генетические алгоритмы использовались, когда не было вычислительных мощностей для нейронных сетей. Их суть совпадает с названием. Работа по тем же принципам, что и в эволюции. Есть какая-то популяция, мутации, условия, в которых популяция живет. Находятся идеальные кандидаты, которые подходят для конкретной задачи, по принципу выживания. На этом занятии будут рассмотрены прикладные задачи. Например, игра в лабиринт: с помощью генетического алгоритма программа научится проходить лабиринт.
18.10.2020 | Генетические алгоритмы для обучения нейронных сетей
Описание занятия: Применение генетических алгоритмов для подбора оптимальной архитектуры нейронной сети. Решение практической задачи для подбора оптимальной архитектуры сети, решающей задачу распознавания рукописных цифр из набора MNIST: создание генетического алгоритма для подбора архитектуры сети, подбор архитектуры свёрточной нейронной сети с перебором параметров: нормализцая, размер первого свёрточного слоя, использование второго сверточного слоя, использование MaxPooling и др.
08.11.2020 | Сегментация изображений
Описание занятия: Рассмотрение задачи сегментации изображений с использованием нейронных сетей. Знакомство с основными архитектурами, применяемыми для решения задачи сегментации: U-Net, SegNet, Linknet, PSPNet. Выявление особенностей каждой из архитектур, их положительных и отрицательных сторон. Рассмотрение вопроса по оптимизации процесса сегментации изображения: уменьшение выборки, аугментация изображения, разбиение изображения. Решение практической задачи по разметке фотографий с регистратора для создания автопилота автомобилей: создание обучающей и проверочной выборок, создание различных архитектур нейронной сети для решения поставленной задачи, сравнение результатов работы различных архитектур, проверка результатов работы на упрощенной выборке (3 класса объектов вместо 12).
15.11.2020 | Алгоритмы кластеризации данных
Описание занятия: Задача кластеризации является одной из востребованных задач на рынке. Например, есть интернет-магазин, есть статистика заказов. По заказам клиентов и по характеристикам заказов этого магазина можно разделить базу клиентов. Работа с базами HeadHunter. Разделение на кластеры базы HeadHunter.
22.11.2020 | Обучение с подкреплением
Описание занятия: Сравнение основных подходов к обучению нейронных сетей: с учителем, без учителя, с подкреплением. Описание основной идеи процесса обучения сети с подкреплением. Постановка основных задач, решаемых в процессе обучения с подкреплением. Рассмотрение основных алгоритмов, используемых в этой области: Police Gradient, Q-learning (выделение их положительных и отрицательных сторон). Решение практической задачи по обучению бота игре в Ping-Pong на игровой платформе "gym" и использованием алгоритма PoliceGradient. Демонстрация игры обученного бота. Рассмотрение ограничений и проблем, возникающих в процессе обучения. Рассмотрение способов ускорения процесса обучения.
29.11.2020 | Генерация текста
Описание занятия: Рассмотрение вопроса генерации текста с использованием нейронных сетей: области применения, реальные примеры. Выделение основных задач и проблем, возникающих при решении задачи генерации текста. Знакомство с популярными решениями в области генерации текста: Seq2Sqe (Sequence-to-Sequence), Word2Vec (Word-to-Vector), Doc2Vec (Document-to-Vector). Подробное рассмотрение модели Seq2Sqe. Решение практической задачи для создания чат-бота с использованием модели Seq2Seq: парсинг данных, создание выборки для обучения модели, создание архитектур энкодера и декодера (составных частей модели Seq2Seq), демонстрация работы чат-бота в режиме вопрос-ответ.
06.12.2020 | Cегментация текста
Описание занятия: Сегментация текста на базе договоров. Вычленение по смыслу нужных фрагменты из текста. Анализ нейронной сетью текста и понимание им его содержания. Рассмотрение практического применения сегментации текста: из текста нужно вычленить необходимое или при выдаче задания голосовому помощнику найти какой-то текст, помощник мог понять и найти необходимый текст.
13.12.2020 | Object Detection (обнаружение объектов)
Описание занятия: Рассмотрение задачи обнаружения объектов с использованием нейронных сетей. Сравнение двух подходов к задаче обнаружения объектов: ObjectDetection и сегментация. Знакомство с алгоритмом Selective Search и первыми моделями, решающими задачи обнаружения объектов (RCNN, SPP). Сравнение производительности различных подходов. Описание идеи использования анкоров вместо Selective Search. Рассмотрение двух современных архитектур для решения задач обнаружения объектов YOLOv3 и RetinaNet: создание моделей, функции ошибок, обучение моделей на базе самолетов и демонстрации процесса обучения. Распознавание изображения с использованием обученных моделей.
20.12.2020 | Распознавание речи
Описание занятия: Рассмотрение задачи преобразования речи в текст. Описание областей применения распознавателей речи. Выделение основных задач, решаемых в процессе создания нейронных сетей по распознаванию речи. Описание подхода и используемых акустических признаков для решения задачи распознавания речи. Построение акустической модели и оценка качества распознавания с помощью метрики WER (word error rate). Выделение основных проблем задачи распознавания речи. Демонстрация распознавания речи с помощью google API, демонстрация распознавания команды с микрофона. Решение практической задачи по распознаванию голосовых команд в потоке речи: создание аудиофрагментов для формирования обучающей выборки, парсинг данных, создание различных архитектур и сравнение качества их работы, демонстрация распознавания голосовых команд на тестовых данных.
ДОПОЛНИТЕЛЬНЫЕ ТЕМЫ
10.01.2021 | Написание нейронных сетей с библиотекой Tensorflow.
Часть 1
Описание занятия: Базовое знакомство с более глубокоуровневой (по сравнению с Keras) библиотекой TensorFlow. Рассмотрение понятия графов, как основных элементов TensorFlow. Работа с базовыми типами данных (константы, переменные, плейсхолдеры). Демонстрация совместимости с numpy. Рассмотрение возможностей работы с доступными устройствами (GPU, CPU) и выполнение вычислений на требуемом устройстве. Рассмотрение способов создания dataset'ов средствами TensorFlow. Описание понятия "сессия" и демонстрация процесса создания и использования сессий. Демонстрация использования утилиты TensorBoard. Обучение нейрона с помощью TensorFlow для решения несложной задачи. Отслеживание процесса обучения с помощью TensorBoard.
17.01.2021 | Написание нейронных сетей с библиотекой Tensorflow.
Часть 2
Описание занятия: Более глубокое погружение в TensorFlow. Написание полносвязных и сверточных нейронных сетей. Задание выбранной функции потерь (crossentropy) с помощью TensorFlow. Обучение сети и визуализация процесса обучения с помощью TensorBoard. Решение практической задачи по обработке текста с использованием модуля TF Hub. Демонстрация результатов применения модуля.
24.01.2021 | Написание нейронных сетей с библиотекой PyTorch. Часть 1
Особенности PyTorch, преимущества по сравнению Keras, насколько он низкоуровневый по сравнению Keras. Работа на GPU, CPU. Рассмотрение стандартных архитектур, таких как полносвязная сеть, свёрточная нейронная сеть - полностью прописанные на этом фреймворке.
31.01.2021 | Написание нейронных сетей с библиотекой PyTorch. Часть 2
Описание занятия: Рассмотрение какая математическая модель лежит под алгоритмом переноса стиля от одного изображения на другое и как это связано с нейронными сетями. Как с помощью свёрточных нейронных сетей можно перенести стиль на конкретное изображение. Рассмотрение использования предобученной модели сети в PyTorch.
07.02.2021 | Интеграция нейронной сети в Production. Часть 1
Описание занятия: Интеграция нейронной сети в Production - это финальная точка, куда нейронная сеть приходит: приложение, веб-сервис и т.д. Рассмотрение различных стратегий, чтоб понять, где можно применить нейронные сети, и концентрация на прогонке нейронной сети в веб-сервисе: что нужно для создания запроса, что нужно для связывания с базами данных, как упаковывать, какая глобальная структура. Используемая база - база рукописных цифр. Создание веб-сервиса. Когда рисуешь рукописную цифру на странице, она делает предсказание. Другой гигант, зарекомендовавший себя, и который будет также рассмотрен на занятии - Apache Spark.
14.02.2021 | Интеграция нейронной сети в Production. Часть 2
Описание занятия: Занятие посвящено тем инструментам, которые нужны для конечного вывода в Production. Тема занятия - организация процесса. Рассмотрение контейнеризации: что такое контейнеры, какие бывают контейнеры, что с контейнерами делать, менеджеры, управляющие контейнерами, системы оркестрации, а также, где можно размещать модель. Рассмотрение перевода моделей из Python в С++.
Запишитесь
на курс
Получите консультацию специалиста и узнайте ваши индивидуальные условия обучения
Всё обучение дистанционно
У нас обучаются участники из всех регионов России, СНГ и других стран мира. Всё обучение построено дистанционно. Всё, что вам потребуется, - это компьютер с выходом в интернет. Нет сроков просмотра занятий и выполнения заданий, вы можете обучаться тогда, когда вам удобно.
Вы можете распределить время обучения, как вам удобно, в течение недели
Сколько времени нужно на обучение
Желательно: 10 часов в неделю
Это оптимальное время на просмотр вебинара (2 часа) и выполнение домашнего задания уровня Pro
Минимум: 5 часов в неделю
Этого времени хватит на просмотр вебинара (2 часа) и выполнение домашнего задания на уровне Light

Стажировка: +7 часов в неделю
Если вы хотите пройти стажировку у нас или в компании-партнёре, то нужно заложить около 1 часа в день

1.
2.
3.
Организация курса
Вы получите удобную поддержку от наших менеджеров и сервисы обучения
Обучение в GetCourse
GetCourse - очень удобная платформа для обучения, у вас будет личный кабинет со всеми занятиями, там вы сможете смотреть записи, сдавать задания куратору и переписываться в чатах с участниками
Чат в Whatsapp
У нас будет общий чат в Whatsapp, в нём вы сможете задавать вопросы и получать ответы максимально быстро. В чате кроме вас будут кураторы, разработчики команды Университета, Дмитрий Романов и менеджер поддержки. Часто участники выкладывают в чат много полезных материалов
Любые ваши пожелания по обучению мы будем стараться реализовать максимально быстро. У вас всегда будут контакты менеджера поддержки и Дмитрия Романова, вы сможете писать все пожелания по улучшению удобства обучения напрямую тем, кто будет их реализовывать
Подстраиваемся под потребности группы
Регулярные опросы о качестве курса
Мы не просто реализуем то, что просите вы, мы высылаем регулярно опросы о том, насколько вам удобно обучение
  • Каждый месяц опрос в целом о курсе
  • После каждого занятия опрос о качестве вебинара
  • Опросы о том, как у вас продвигается дипломный проект
Мы отсматриваем результаты всех опросов и если видим где-то недостаточное качества, сразу запускаем улучшение
Вы получите диплом
По итогам обучения вы получаете диплом установленного образца о переквалификации
Лицензии университета
Google colaboratory
и требования к софту/железу
Google collaboratory - это сервис, который позволяет программировать на Python online и даёт бесплатные видеокарты Tesla для обучения нейронных сетей. Это очень удобно для обучения. Всё, что потребуется, - это браузер и выход в интернет. В остальном вы можете обучаться на любом железе и любой операционной системе
Тарифы и цены