онлайн-курс
20 занять
індивідуальний ML-проєкт

Чому моделі помиляються

Практичний курс про логіку ML, який пояснить, як моделі навчаються, як ними керувати і як будувати власні рішення під задачу.

ЛЕКТОР: Ярослав Свирида

Senior AI Consultant

SoftServe

На курсі ви навчитеся:

РОЗУМІТИ АЛГОРИТМИ ЗСЕРЕДИНИ

Розберете, що відбувається після fit/predict, як модель навчається, чому помиляється і як пояснити її результат.
ОБИРАТИ МОДЕЛЬ ПІД ЗАДАЧУ

Навчитеся визначати, коли доречні регресія, дерева, ансамблі, нейромережі, часові ряди чи кластеризація — і коли алгоритм краще не використовувати.
БУДУВАТИ МОДЕЛІ З УРАХУВАННЯМ КОНТЕКСТУ

Зрозумієте, як додавати бізнес-правила, причинно-наслідкові зв’язки або фізику процесів, щоб модель працювала не лише на знайомих даних.
КОМБІНУВАТИ ML-ПІДХОДИ ДЛЯ СКЛАДНИХ КЕЙСІВ

Будете порівнювати моделі, шукати аномалії, групувати їх, пояснювати прогнози й робити рішення точнішими та ефективнішими.

лектор

Ярослав Свирида

Senior AI Consultant, SoftServe

«На мою думку, дуже важливо не зупинятися лише на побудові прогностичних моделей, а робити крок далі — пояснювати, чому модель прийняла те чи інше рішення».

9 років досвіду в ролі Data Scientist, від Middle до Senior та Lead-позицій
Працював на всіх ключових етапах ML-проєктів: від роботи з даними та дослідження — до deployment, масштабування та взаємодії з клієнтами
Реалізує прикладні ML-рішення в індустріях (виробництво, ритейл, енергетика), де моделі безпосередньо впливають на ефективність процесів, прогнозування та ухвалення рішень
Переконаний, що цінність Machine Learning — не в самій моделі, а в її здатності давати зрозумілі, обґрунтовані рекомендації та покращувати бізнес-рішення, що повністю відображено в підході курсу

ЦЕ НАВЧАННЯ НА ML-РОЗРОБНИКА ДЛЯ:

01 Data Scientists

Працюєте з даними, але не вистачає розуміння, як будувати й покращувати моделі. На курсі освоїте повний цикл ML — від вибору алгоритму до оптимізації результату.

02 Python-спеціалісти

Знаєте Python, але не розумієте, як зайти в Machine Learning. Курс дасть чітку структуру, поглиблені знання й практику роботи з даними та моделями.

03 Junior ML-спеціалісти

Є база, але знання розрізнені й не вистачає впевненості. Курс допоможе зібрати систему й навчитися працювати з типовими задачами на практиці.

ПРО КУРС:

Machine Learning лежить в основі більшості сучасних AI-рішень. Без його розуміння ви користуєтесь готовими інструментами, але не впливаєте на якість і результат. Онлайн-курс «Інженерія ML-систем» допоможе зібрати цілісну картину: як працювати з даними, обирати підхід, навчати модель і доводити її до використання в реальних задачах.

Пройдете повний ML-процес і зрозумієте, як він працює на практиці
Зрозумієте, як знаходити помилки та покращувати якість моделей
Зберете власний ML-проєкт для портфоліо
Зареєструватися

ПРОГРАМА КУРСУ

01 заняття
06 липня

Що таке Machine Learning і з чого почати
- Зрозумієте, що таке машинне навчання та де його застосовувати
- Зрозумієте основні етапи створення ML-моделі
- Ознайомитеся з інструментами, з якими працює ML Engineer
- Налаштуєте робоче середовище (Jupyter/Colab)
02 заняття
09 липня

Як навчити машину передбачати числа — лінійна регресія
- Зрозумієте, як саме машина «вчиться» на даних
- Вивчите різницю між задачами регресії та класифікації
- Зможете самостійно створити й натренувати модель лінійної регресії
- Вивчите основні метрики оцінки регресійних моделей
- Навчитеся використовувати statsmodels та scikit-learn
03 заняття
13 липня

Як зрозуміти, що модель помиляється, і коли потрібні складніші підходи
- Зрозумієте, чому лінійна регресія є фундаментом машинного навчання
- Вивчите, що таке мультиколінеарність і чому вона шкодить моделі
- Навчитесь обирати змінні для моделі та інтерпретувати коефіцієнти

04 заняття
16 липня

Як навчити машину ухвалювати рішення — класифікація від А до Я
- Зрозумієте, як працює логістична регресія та її зв'язок з лінійною
- Зможете самостійно створити й натренувати модель класифікації
- Дізнаєтесь, які метрики застосовуються для задач класифікації
- Навчитеся будувати та інтерпретувати Confusion Matrix і ROC-криву
- Зможете обрати правильну метрику під конкретну бізнес-задачу
05 заняття
20 липня

Як обрати правильну модель і метрику для своєї задачі
- Зможете самостійно визначити, чи задача є регресією, чи класифікацією
- Навчитесь обрати відповідну модель та метрику під задачу
- Отримаєте систематизоване розуміння supervised learning
06 заняття
23 липня

Що робити, коли залежність нелінійна — дерева рішень та боротьба з overfitting
- Зрозумієте, як працюють дерева рішень і в чому їхня перевага
- Зможете самостійно створити й натренувати модель на основі дерева
- Зрозумієте, що таке overfitting, і вмітимете його діагностувати
- Дізнаєтесь, як правильно розділяти дані для оцінки моделі
- Навчитеся застосовувати кросвалідацію для надійної оцінки якості
07 заняття
27 липня

Як ансамбль слабких моделей перемагає одну сильну — від Random Forest до XGBoost
- Зрозумієте принцип роботи ансамблевих методів та чому вони ефективніші
- Дізнаєтеся, що таке bootstrap, bagging та boosting
- Навчитеся будувати й тренувати Random Forest і XGBoost
- Зможете обрати між Random Forest і XGBoost під конкретну задачу
08 заняття
30 липня

Повний арсенал ML-інженера — KNN, SVM та порівняння підходів
- Вивчите принцип роботи KNN та SVM
- Зрозумієте, коли ці алгоритми можуть бути кращим вибором за дерева чи бустинг
- Навчитеся реалізовувати KNN та SVM на практиці
09 заняття
03 серпня

Від ноутбука до продакшену — Docker, хмара і деплоймент моделей
- Зрозумієте, навіщо ML-інженеру Docker і що таке контейнеризація
- Навчитеся писати Dockerfile і пакувати модель у контейнер
- Дізнаєтесь, як працювати з AWS-консоллю та основними сервісами
- Навчитеся зберігати дані та моделі в S3
- Зможете задеплоїти модель у хмару через SageMaker
10 заняття
06 серпня

Як прогнозувати майбутнє — часові ряди
- Зрозумієте, чим часові ряди відрізняються від звичайних задач ML
- Вивчите основні компоненти часового ряду і навчитеся робити декомпозицію
- Навчитеся застосовувати як класичні (ARIMA), так і ML-підходи для прогнозування
- Зрозумієте підводні камені роботи з часовими даними
11 заняття
10 серпня

Як побачити приховане в даних — зменшення розмірності й кластеризація
- Зрозумієте, навіщо потрібне зменшення розмірності
- Навчитеся застосовувати PCA та t-SNE для візуалізації та аналізу даних
- Вивчите три основних алгоритми кластеризації та розумітимете різницю між ними
- Навчитесь обирати кількість кластерів та валідувати результат
12 заняття
13 серпня

Як знаходити аномалії в даних
- Вивчите, для яких практичних задач використовується пошук аномалій
- Зрозумієте основні підходи до виявлення аномалій
- Навчитеся реалізовувати метод детекції аномалій для своїх задач
13 заняття
17 серпня

Чому модель так вирішила — як пояснити AI бізнесу та регулятору
- Зрозумієте, чому інтерпретація моделей є критично важливою в продакшені
- Навчитеся застосовувати LIME та SHAP для пояснення рішень моделі
- Зможете пояснити бізнесу, чому модель ухвалила те чи інше рішення
14 заняття
20 серпня

Як працюють нейромережі — від нейрона до глибокого навчання
- Зрозумієте принцип роботи нейронних мереж та їхні базові компоненти
- Дізнаєтесь, як працює backpropagation і навчання мережі
- Зможете побудувати й запустити просту нейромережу
- Зрозумієте, коли нейромережа потрібна, а коли класичний ML — кращий вибір
15 заняття
24 серпня

CNN, трансформери та рекомендаційні системи
- Зрозумієте, як працюють CNN і для яких задач вони підходять
- Вивчите принцип роботи трансформерів та механізму уваги
- Зрозумієте основні підходи до побудови рекомендаційних систем
- Дізнаєтесь, як нейромережі застосовуються в рекомендаційних системах
16 заняття
27 серпня

Від перцептрона до продакшн-моделі — практика Deep Learning
- Дізнаєтесь, як побудувати мережу з кількома виходами
- Зрозумієте проблему зникаючого/вибухаючого градієнта і способи її розв’язання
- Отримаєте уявлення про PINNs та їхнє застосування в науці та інженерії
17 заняття
31 серпня

Як навчити агента діяти самостійно — Reinforcement Learning
- Зрозумієте принцип роботи Reinforcement Learning та його відмінність від інших підходів ML
- Вивчите базові концепції RL: агент, середовище, винагорода
- Зрозумієте, коли RL варто застосовувати на практиці
18 заняття
03 вересня

Як працюють великі мовні моделі — від Word2Vec до GPT
- Зрозумієте еволюцію від Word2Vec до сучасних LLM
- Дізнаєтесь, як працюють великі мовні моделі зсередини
- Зрозумієте різницю між підходами до тренування LLM
- Отримаєте теоретичну базу для практичної роботи з GenAI
19 заняття
07 вересня

Як побудувати AI-продукт — API, агенти й чат-боти на практиці
- Навчитеся працювати з API великих мовних моделей
- Вивчите, що таке AI-агенти та MCP, і зможете побудувати простого агента
- Отримаєте практичне розуміння того, як використовувати GenAI в роботі
- Зможете побудувати робочого чат-бота
20 заняття
14 вересня

Курсовий проєкт
- Отримаєте систематизоване розуміння всього спектру ML
- Презентуєте власний проєкт і отримаєте фідбек

реєстрація

Приєднуйтеся зараз, щоби почати створювати власні ML-рішення під бізнес-задачі.