Слёрм 4.3 · 3 отзыва Обновлено 31.08.2026

Наука о данных: введение в машинное обучение (Data Science)

Видеокурс Слёрма «Наука о данных: введение в машинное обучение». Пятнадцать тем: введение в ML и библиотеки NumPy и Pandas, анализ данных и визуализация, постановка задачи на примере метода k ближайших соседей, валидация модели и подготовка данных, регрессия, классификация, деревья решений и ансамбли, обучение без учителя, оптимизация пайплайна и итоговый проект. Плюс четыре дополнительных модуля: глубокое обучение и компьютерное зрение на PyTorch, обработка текстов, рекомендательные системы и проектирование систем машинного обучения. Школа обещает 132 часа нетривиальной практики на реальных наборах данных, среднюю длительность лекции 25 минут и работу без углубления в математику. Финальный проект на выбор: модель прогноза потребления электроэнергии, модель оценки кредитоспособности или собственная тема с одобрения спикеров. Цена 35 000 рублей одним платежом или 8 750 рублей в месяц в рассрочку на 4 месяца, для юридических лиц 55 000 рублей. Документ: именное свидетельство при прохождении 80 процентов курса, номерной сертификат при зачтённом финальном проекте.

📜 Сертификат школы
Наука о данных: введение в машинное обучение (Data Science)
от 8 750 ₽/мес
35 000 ₽
Перейти на сайт курса
  • ✓ Рассрочка без переплат
  • ✓ Сертификат школы

Перейдёте на сайт Слёрм

ФорматОнлайн
УровеньНачинающий
ДокументСертификат школы
Анализ данных Визуализация данных Глубокое обучение Компьютерное зрение Машинное обучение Нейросети Основы Python Matplotlib NumPy Pandas Python PyTorch Scikit-learn SciPy

Мнение редакции

7.3/10

Курс собран вокруг одной честной идеи: разобраться в математике ровно настолько, насколько нужно, чтобы понимать, что делает алгоритм, и не закапываться дальше. Формулировка школы прямая, и программа ей соответствует. Градиентный спуск, регуляризация и метрики качества здесь есть, а вывода формул на три доски нет. Для инженера, аналитика или разработчика, которому нужно начать работать с моделями, а не защищать диссертацию, это правильный размен.

Вторая заявленная особенность тоже подтверждается программой: практика идёт на новых наборах данных, а не на затёртом «Титанике». Бизнес-кейсы названы конкретно: предсказание стоимости продажи дома, времени доставки еды, спроса на товары в онлайн-коммерции. Финальный проект на выбор из двух готовых постановок, прогноз потребления электроэнергии и кредитный скоринг, либо своя тема, если спикеры подтвердят, что она вытягивается в рамках курса.

Спикеров двое, и оба руководят командами, а не просто читают лекции. Иван Аникин, руководитель в Yandex Edadeal, шесть с лишним лет в машинном обучении, запускал ML-проекты в Яндексе, Сбере, SberDevices, Едадиле и VK Пульс. Владимир Бугаевский, руководитель в Купер, шесть с лишним лет в индустрии, до этого разрабатывал рекомендательную систему VK Пульс, преподаёт машинное обучение и Python в МГУ, ВШЭ, VK Образовании, OzonMasters и AI Masters. Академический и продуктовый опыт тут сходятся, что для вводного курса по ML полезно.

Главное, что нужно понимать до покупки: за 35 000 рублей вы получаете записи, задания и свидетельство, но не человека. Проверка практики стоит 3 000 рублей за задание, проверка финального проекта 10 000 рублей, и без зачтённого проекта номерного сертификата не будет. Живых встреч, ментора и чата со спикерами в этом тарифе нет: они появляются только в корпоративном варианте «для большой команды», цена которого договорная. То есть реальная стоимость курса с обратной связью заметно выше витринной.

Вердикт: плотный видеокурс по классическому машинному обучению для тех, кто уже пишет на Python: пятнадцать тем от kNN до бустинга, четыре дополнительных модуля про нейросети, тексты и рекомендательные системы, 132 часа практики на настоящих наборах данных и финальный проект на выбор. За 35 000 рублей вы получаете записи и стенды, но обратная связь тут платная отдельно, живых встреч нет, а рынок вокруг предлагает похожие программы дешевле.

Плюсы

  • честно очерченный объём математики: разбирают ровно столько, сколько нужно для понимания алгоритмов, и говорят об этом прямо
  • практика на свежих наборах данных и бизнес-кейсах: стоимость продажи дома, время доставки еды, спрос в онлайн-коммерции, а не учебный «Титаник»
  • финальный проект на выбор из двух реальных постановок, прогноз потребления электроэнергии и кредитный скоринг, либо своя тема с одобрения спикеров
  • четыре дополнительных модуля сверх классического ML: глубокое обучение и компьютерное зрение на PyTorch, обработка текстов, рекомендательные системы, проектирование ML-систем
  • оба спикера руководят командами в продуктовых компаниях, один из них преподаёт машинное обучение в МГУ, ВШЭ, OzonMasters и AI Masters
  • короткие лекции по 25 минут с текстовыми расшифровками и доступ к материалам на два года

Минусы

  • обратная связь не входит в цену: проверка практического задания стоит 3 000 рублей, проверка финального проекта 10 000 рублей
  • номерной сертификат выдают только за зачтённый финальный проект, а зачесть его может лишь платная проверка, то есть документ обходится дороже витрины
  • в базовом тарифе нет ни ментора, ни чата со спикерами, ни живых встреч: они появляются только в корпоративном варианте по договорной цене
  • общего объёма курса страница не называет: есть только 132 часа практики, числа академических часов и длительности нет

Кому подходит

Тем, кто уже программирует и хочет войти в работу с данными

Школа называет свою аудиторию так: тем, кто хочет получить профессию специалиста по работе с данными. Требование одно, владение Python или другим высокоуровневым языком, и оно тут не формальность.

Специалистам, которым машинное обучение нужно в текущих задачах

Отдельный портрет на странице: применять науку о данных в текущих рабочих задачах. Бизнес-кейсы курса, спрос, доставка, стоимость, ближе к аналитике в компании, чем к соревнованиям.

Тем, кто работает рядом с командой ML и не понимает её язык

Прямая цитата со страницы: тем, кто работает в команде машинного обучения, но не понимает, на каком языке общаются коллеги. Курс даёт словарь и картину цикла разработки модели.

Кому курс не подойдёт

  • тем, кто не пишет код: курс не учит Python, а требует его как входное условие
  • тем, кому нужна серьёзная математика: школа прямо предупреждает, что намеренно не углубляется в неё
  • тем, кто ждёт помощи с трудоустройством: карьерного сопровождения, резюме и вакансий на странице нет

Чем отличается от других курсов направления

В каталоге эта же программа Слёрма присутствует дважды: вторая карточка называется просто «Data Science» и стоит те же 35 000 рублей, это один и тот же видеокурс. Из внешних соседей ближе всего программы Merion Academy: «Data Science с нуля» за 27 620 рублей и «Курс по нейросетям и машинному обучению для начинающих» за 22 880 рублей, оба на четыре месяца, а также комплекты «Python Advanced и Data Science с нуля» за 35 500 рублей и «Data Science с нуля и Python программист» за 42 760 рублей. Разница принципиальная: комплекты Merion берут человека без Python и ведут его от языка к моделям, а курс Слёрма Python уже требует и тратит время не на синтаксис, а на алгоритмы, метрики и подготовку данных. Отсюда и вывод: если вы не программируете, дешевле и логичнее взять комплект с языком, а если пишете на Python и вам нужно именно машинное обучение, здесь плотнее материал и сильнее спикеры. Учтите только, что обратная связь у Слёрма продаётся отдельно, и при полной проверке практики итоговый чек уходит заметно выше цены соседей.

Обзор курса

Кто стоит за курсом

Иван Аникин отвечал за разработку и запуск проектов машинного обучения в Яндексе, Сбере, SberDevices, Едадиле и системе ВК Пульс, суммарно более шести лет в области. Владимир Бугаевский консультировал стартапы и крупные компании по разработке сервисов на машинном обучении, разрабатывал рекомендательную систему VK Пульс, сейчас руководит командой Поиска. Небольшая шероховатость страницы: в одном месте его текущее место работы названо как Купер, в другом как СберМаркет, то есть старое и новое имя одной компании соседствуют в двух карточках подряд. На содержание это не влияет, но показывает, что страницу давно не вычитывали.

Как устроена нагрузка

Формат асинхронный: старт в любой момент, лекции короткие, средняя длительность 25 минут, доступ к материалам два года. Каждая тема заканчивается блоком «Итоги» и практикой. Школа отдельно объясняет логику коротких лекций с текстовыми расшифровками: чтобы можно было заниматься в транспорте или за завтраком. Сложность нарастает, и первые темы, NumPy, Pandas, разведочный анализ, действительно проще финальных, где идёт оптимизация гиперпараметров и метамодели. Общего числа академических часов страница не называет, единственная цифра это 132 часа практики.

Что входит в стоимость

В базовый тариф входят видеоуроки с доступом на два года, практические задания и свидетельство. Всё остальное продаётся отдельно: проверка одного практического задания 3 000 рублей, проверка финального проекта 10 000 рублей. Для юридических лиц тот же видеокурс стоит 55 000 рублей, а корпоративный вариант «для большой команды» с проверкой домашних заданий, поддержкой менторов и кураторов, чат-группами в Telegram со спикерами и онлайн-встречами идёт по договорной цене. Рассрочка на четыре месяца по 8 750 рублей, только для физических лиц. Есть командные скидки: от трёх человек 7 процентов, от пяти 10 процентов.

Где программа проседает

Первое: обратная связь вынесена за периметр цены, и это меняет экономику курса. Номерной сертификат выдаётся за зачтённый финальный проект, а зачесть его может только эксперт за 10 000 рублей, то есть документ с номером стоит дополнительных денег. Второе: курс называется введением в науку о данных, но всё, что связано с выкаткой моделей в продакшен, здесь только в обзорном модуле «Проектирование систем машинного обучения», а MLOps, мониторинга моделей и работы с потоковыми данными нет. Третье: страница молчит про налоговый вычет и возврат денег, хотя на других курсах школы эти блоки есть. Четвёртое: требование по Python сформулировано мягко, «владение Python или другим высокоуровневым языком», но реально нужен уверенный синтаксис, иначе первая же практика с Pandas встанет.

Кому это не нужно

Тем, кто ищет полноценную профессию с трудоустройством: карьерного центра, помощи с резюме и вакансиями на странице нет вовсе, а обещание звучит осторожно, «сможет претендовать на должность начинающего специалиста». Тем, кто не программирует: курс не учит Python, он на нём говорит. И тем, кому нужна глубокая математика: школа прямо предупреждает, что в неё намеренно не закапывается.

Программа курса

1Введение в машинное обучение, NumPy и Pandas
Структура курса, инструкции по работе с практическими заданиями, цикл разработки модели и роли специалистов в анализе данных, настройка рабочего окружения, библиотеки NumPy и Pandas.
2Анализ данных
Качество данных и типы данных, приёмы анализа через сводные показатели и визуализацию. Первая практика, на которой закрепляется работа с таблицами и графиками.
3Постановка задачи ML на примере k ближайших соседей
Как формулируется задача машинного обучения, алгоритм kNN и его взвешенный вариант, виды расстояний и проблемы метода. Тема, через которую вводятся все базовые понятия.
4Валидация модели и подготовка данных
Схемы валидации, работа с пропущенными значениями, обработка категориальных и численных признаков. Практическая часть, без которой любые метрики дальше будут врать.
5Обучение с учителем: регрессия и классификация
Линейная регрессия, аналитическое решение, градиентный спуск, регуляризация линейных моделей и метрики качества регрессии. Далее логистическая регрессия, метрики качества классификации и многоклассовая классификация.
6Деревья решений и ансамбли
Деревья решений, ансамблирование: бэггинг и случайный лес, методы усиления, то есть бустинг. Практика на XGBoost, LightGBM и CatBoost.
7Обучение без учителя и оптимизация пайплайна
Задача кластеризации, понижение размерности, быстрый поиск ближайших соседей. Затем кодирование целевой переменной, метамодели, оптимизация гиперпараметров и сборка полного пайплайна машинного обучения.
8Дополнительные модули и итоговый проект
Введение в глубокое обучение и компьютерное зрение: нейросети, оптимизаторы, PyTorch, свёрточные сети, AlexNet, VGG, ResNet, Inception и transfer learning. Введение в обработку текстов: предобработка, Word2Vec и FastText, языковые модели, машинный перевод, классификация. Введение в рекомендательные системы: коллаборативная фильтрация, матричная факторизация, нейросетевые модели. Проектирование систем машинного обучения на примерах оптимизации маркетинга и прогноза спроса. Завершает всё итоговый проект.
Записаться на курс

Чему вы научитесь

  • переводить бизнес-задачу в задачу машинного обучения и выбирать под неё алгоритм
  • готовить данные: обрабатывать пропуски, категориальные и численные признаки, строить схемы валидации
  • обучать и оптимизировать модели на Scikit-learn, XGBoost, LightGBM и CatBoost
  • оценивать качество моделей метриками регрессии и классификации и выбирать метрику под задачу
  • анализировать и визуализировать большие объёмы данных в JupyterLab средствами NumPy, SciPy, Pandas и Matplotlib
  • применять kNN, линейную и логистическую регрессию, кластеризацию, деревья решений и бустинг
  • собирать полный пайплайн машинного обучения с подбором гиперпараметров и метамоделями

Как проходит обучение

Видеокурс без потока

Старт в любой момент, дедлайнов нет. Средняя длительность лекции 25 минут, у всех уроков есть текстовые расшифровки, доступ к материалам два года.

Практика после каждой темы

Каждая тема заканчивается блоком «Итоги» и практическим заданием. Всего школа обещает 132 часа практики на реальных наборах данных, а не на учебных примерах.

Финальный проект на выбор

Три варианта: модель прогноза потребления электроэнергии, модель оценки кредитоспособности клиента банка или собственная тема, если спикеры подтвердят её выполнимость в рамках курса.

Обратная связь как отдельная услуга

В базовом тарифе проверки нет. Проверка практического задания стоит 3 000 рублей, проверка финального проекта 10 000 рублей. Для получения номерного сертификата достаточно зачтённого проекта.

Часто задаваемые вопросы

Нужно ли знать Python до начала?

Да. Единственное входное требование сформулировано как владение Python или другим высокоуровневым языком: настройка рабочего окружения, базовый синтаксис, циклы, условия, основные структуры данных. Курс не тратит время на язык, первая же практика идёт на NumPy и Pandas.

Сколько длится обучение?

Точной длительности страница не называет: старт в любой момент, темп свой. Единственная цифра по объёму это 132 часа нетривиальной практики. Лекции короткие, в среднем 25 минут, доступ к материалам сохраняется два года.

Какой документ выдают?

Именное свидетельство о прохождении курса получает студент, который изучил 80 процентов материала и участвовал в решении практик. Для номерного сертификата нужен успешно зачтённый финальный проект, а его проверка оплачивается отдельно, 10 000 рублей.

Проверяет ли кто-то мои работы?

В базовом тарифе нет. Студентам видеокурсов проверка от эксперта доступна за дополнительную плату: 3 000 рублей за практическое задание и 10 000 рублей за финальный проект. Ментор, кураторы, чат-группы со спикерами и онлайн-встречи есть только в корпоративном тарифе для большой команды, цена которого договорная.

Сколько стоит и есть ли рассрочка?

Цена 35 000 рублей одним платежом или 8 750 рублей в месяц в рассрочку на 4 месяца, рассрочка только для физических лиц. Для юридических лиц тот же видеокурс стоит 55 000 рублей. Командные скидки: от 3 человек 7 процентов, от 5 человек 10 процентов.

Будет ли глубокое обучение и нейросети?

Да, но в дополнительных модулях и на уровне введения. Разбирают нейронную сеть и оптимизаторы, PyTorch, свёрточные сети, архитектуры AlexNet, VGG, ResNet и Inception, transfer learning, а также обработку текстов и рекомендательные системы. Основная часть курса при этом посвящена классическому машинному обучению.

Готовит ли курс к собеседованиям?

Школа обещает давать материал так, чтобы после курса студент мог претендовать на должность начинающего специалиста по работе с данными, и отдельно упоминает вопросы с собеседований. Помощи с резюме, вакансиями и карьерным сопровождением на странице нет.

Есть ли возврат денег и налоговый вычет?

На этой странице ни про возврат при отказе от обучения, ни про налоговый вычет ничего не сказано. Оба вопроса имеет смысл задать менеджеру до оплаты.

Отзывы о курсе «Наука о данных: введение в машинное обучение (Data Science)»

4.3 3 отзыва
5★1
4★2
3★0
2★0
1★0
НикитаРостов-на-Дону11.06.2026
Достоинства: наборы данных живые, метрики объясняют так, что перестаёшь тыкать наугад
Недостатки: за проверку проекта пришлось доплатить, в цене этого не ждал
Я бэкендер, Python знаю хорошо, а с моделями работал только на уровне «позвать чужой сервис». Курс закрыл ровно этот разрыв. Больше всего дали темы про валидацию и подготовку данных: до них я честно считал, что главное это выбрать алгоритм посильнее. Практика нормальная, задачи не про Титаник. Единственное, к чему не был готов: чтобы получить сертификат с номером, надо оплатить проверку финального проекта отдельно. Информация на сайте есть, но мелким шрифтом.
👍 0👎 0
ТимурВладивосток19.04.2026
Достоинства: дополнительные модули по нейросетям и текстам, хотя это и обзор
Недостатки: продакшена почти нет, вывод модели в работу остаётся за кадром
Хороший вводный курс с сильными спикерами. Но название «введение» тут не для скромности: после него вы умеете обучать модель и оценивать её, а как она поедет в продакшен и что с ней будет через месяц, придётся узнавать в другом месте.
👍 0👎 0
СветланаУфа20.03.2026
Достоинства: лекции по 25 минут, реально можно смотреть по дороге
Недостатки: спросить не у кого, если застрял: чата в тарифе нет
Работаю аналитиком, хотела перестать быть человеком, который приносит выгрузки в команду ML. Получилось: теперь понимаю, о чём они спорят, и сама делаю базовые модели. Формат коротких уроков подошёл идеально. Минус один: когда что-то не сходилось, я сидела с этим одна, потому что поддержки в видеоформате нет.
👍 0👎 0

Все отзывы о Слёрм →

Оставить отзыв о курсе

Расскажите, как проходило обучение: что понравилось, что нет, помог ли курс в работе. Публикуем после проверки, рекламные тексты и анонимные жалобы без подробностей не пропускаем.

Оценка:

Отправляя отзыв, вы соглашаетесь на публикацию имени и города рядом с текстом. Курс: «Наука о данных: введение в машинное обучение (Data Science)».

от 8 750 ₽/мес −45%
Перейти