Обзор курса Профессия Machine Learning Engineer от GeekBrains
Содержание
Стоимость и формат обучения
Цены и условия могут меняться. Перед оплатой проверьте их на официальной странице курса.
Курс «Профессия Machine Learning Engineer» от GeekBrains — годовая программа на 650 академических часов: 113 теории и 537 практики. Месячный платёж — 4 215 ₽ вместо 8 430 ₽, скидка 50%, рассрочка на 36 месяцев без процентов, первый взнос через месяц после старта.
Каталожная цена 151 725 ₽ подтверждается расчётом 4 215 × 36 = 151 740 ₽ — отклонение в пятнадцать рублей даёт округление взноса. Академический час обходится примерно в 233 ₽. Та же сумма стоит и курс Data Analyst у этой школы при таком же объёме часов, хотя содержание у программ заметно расходится.
Программа обучения
Первый модуль — введение в Data Science со 158 практическими часами. Второй — «Machine Learning. Junior» на 106 часов практики. Третий — продвинутый машинный обучение на 38 часов. Четвёртый — глубокое обучение в обработке естественного языка и компьютерном зрении, 40 часов.
Обратите внимание на распределение: на вводный блок отведено больше практических часов, чем на продвинутое машинное обучение и глубокое обучение вместе взятые. Это разумно для человека без опыта — без крепкой базы по данным продвинутые модели превращаются в вызов готовых функций, — но тем, кто уже работает с Python и Pandas, стоит уточнить, можно ли зачесть вводную часть.
Дополнительные курсы включают основы математики, статистику и теорию вероятностей, а также два прикладных блока: обработку естественного языка в медицине и работу с медицинскими изображениями. Медицинская специализация здесь примечательна. Область реальная и растущая, но она требует осторожности: модель, помогающая врачу, работает в поле, где ошибка стоит дорого, и курс даёт инженерные инструменты, а не право ставить диагноз. Граница компетенции проходит ровно здесь — специалист готовит модель, клинические решения остаются за медиками.
Преподаватели курса
Юлдуз Фаттахова — senior data scientist в Сбере. Пётр Емельянов — директор по исследованиям и разработке в UBIC Tech. Маргарита Широбокова — product owner направления R&D в ELMA. Андрей Мещеряков — applied scientist в Zalando. Всего на странице указано двенадцать экспертов.
Состав примечателен присутствием людей из исследовательских подразделений, а не только из продуктовых команд. Для машинного обучения это существенная разница: R&D-специалист привык разбираться, почему модель работает, а продуктовый — как быстрее довести её до пользователя. Обе точки зрения нужны, и здесь есть обе.
Как проходит обучение
Обучение идёт живыми онлайн-встречами в небольших группах, дополненными видеоуроками. Рекомендуемая нагрузка — 3–5 часов в неделю.
Мини-группы для машинного обучения работают на результат: значительная часть вопросов здесь касается не кода, а интерпретации — почему метрика выросла, а модель стала хуже. Такие разговоры без живого обсуждения не складываются.
Платежи помесячные, проценты не начисляются. Налоговый вычет до 13% опускает фактическую сумму примерно до 132 000 ₽. Для IT-специалистов школа отдельно упоминает льготную ипотеку.
Сроки, нагрузка и поддержка
650 академических часов за двенадцать месяцев дают около 12,5 академического часа в неделю — примерно 9 астрономических. Заявленные 3–5 часов отстают от реального объёма более чем вдвое.
Для годовой программы это терпимо: девять часов в неделю совместимы с работой, если распределить их на два вечера и часть выходного. Но при планировании по нижней границе к концу года останется непройденной значительная часть материала, и первым выпадет именно продвинутый блок, ради которого программа и берётся.
Тридцатишестимесячная рассрочка при годовой программе оставляет выплаты ещё на два года после выпуска. Машинное обучение относится к профессиям с высокой стартовой оплатой, поэтому нагрузка переносится легче, чем на гуманитарных программах, но обязательство переживает диплом втрое.
Практика и результат обучения
Портфельных проектов четыре: прогнозирование спроса, моделирование кредитного риска, поиск дублирующихся объявлений и предсказание оттока. Каждая задача взята из реальной отраслевой практики — такие формулировки встречаются в описаниях вакансий, а не в учебниках.
Прогнозирование спроса и кредитный риск закрывают ретейл и финансы — два крупнейших работодателя для ML-инженеров в России. Поиск дублей относится к задачам маркетплейсов, отток — к телекому и подписочным сервисам. Отраслевой охват портфолио получается широким, и это удобно при рассылке резюме.
Четыре проекта при 537 практических часах — соотношение, при котором на каждую работу приходится более ста часов. Это полный цикл: подготовка данных, обучение, валидация, интерпретация. Формально четыре позиции в портфолио выглядят скромно, фактически за каждой стоит серьёзный объём.
Какой документ выдают
Выпускнику выдают официальный сертификат школы. При найме на позицию ML-инженера решают тестовое задание и разбор собственных проектов, поэтому документ играет вспомогательную роль — его ценность проявляется скорее при оформлении налогового вычета.
Сведения о лицензии школы
Страница курса указывает лицензию на образовательную деятельность № 040485 от 3 декабря 2019 года и лицензию № Л035-01298-77/00181496 от 29 сентября 2021 года. Оба номера совпадают с реквизитами в подвале сайта, где указано ООО «ГикБреинс» по адресу 125167, Москва, Ленинградский проспект, д. 39, стр. 79. Расхождений между разделами здесь нет.
Плюсы и минусы
Плюсы
- 650 академических часов опубликованы с разбивкой: 113 теории и 537 практики
- Четыре портфельных проекта закрывают ретейл, финансы, маркетплейсы и телеком
- На каждый проект приходится более 100 практических часов — полный цикл работы с моделью
- Среди двенадцати преподавателей есть специалисты из исследовательских подразделений Сбера, UBIC Tech и Zalando
- Реквизиты лицензии на странице курса совпадают с данными в подвале сайта
Минусы
- 650 часов за 12 месяцев дают около 12,5 часа в неделю против заявленных 3–5
- На вводный модуль отведено 158 практических часов — больше, чем на продвинутый ML и глубокое обучение вместе (78 часов)
- Возможность зачесть вводную часть тем, кто уже владеет Python, на странице не описана
- Медицинские блоки требуют понимания границ компетенции инженера — курс не даёт клинической подготовки
- Выдаётся сертификат, а не удостоверение о повышении квалификации
Кому подойдёт курс
Тем, кто уже освоил Python и хочет уйти в моделирование. Вводный блок для такого студента будет повторением, зато дальше программа даёт именно то, за чем идут: продвинутые алгоритмы, нейросети и четыре серьёзных проекта.
Подойдёт аналитикам данных, упирающимся в потолок описательной статистики: переход от отчётов к прогнозным моделям — естественный шаг по карьере, и курс собран ровно под него.
Человеку совсем без программирования будет тяжело. Машинное обучение стоит на Python, линейной алгебре и статистике одновременно, и осваивать всё три вещи параллельно за год при девяти часах в неделю — задача на пределе.
Вывод: стоит ли учиться?
Программа честно раскрывает объём, распределение часов по модулям и содержание проектов. Четыре законченные работы с отраслевым разбросом и преподаватели из R&D-подразделений делают предложение конкурентным за 151 725 ₽ с рассрочкой.
Основной вопрос к структуре — вес вводного блока. Если Python и работа с данными вам уже знакомы, уточните у приёмной комиссии, можно ли сократить первый модуль: иначе четверть оплаченных часов уйдёт на материал, который вы знаете. И считайте нагрузку из двенадцати с половиной часов в неделю, а не из пяти.
Источники
- Страница курса «Профессия Machine Learning Engineer» на сайте GeekBrains
- Сведения об организации и лицензии GeekBrains
Обзор подготовлен по данным сайта школы на дату проверки. Цена, наполнение модулей и условия рассрочки могут поменяться — проверьте их на странице курса до оплаты.