Machine
Learning и
Causal Inference
Курс для аналитиков, которые хотят уверенно применять ML и Causal Inference в продуктовых задачах: прогнозировать метрики, оценивать эффекты, строить модели, работать с uplift и принимать решения на данных.
🔥 Идёт набор · Оставь заявку, чтобы узнать дату ближайшего старта
Это не просто курс по Machine Learning.
Это практический инструментарий для аналитика: ты научишься строить ML-модели, правильно оценивать их на реальных данных и применять Causal Inference там, где классический A/B невозможен или недостаточен.
Курс для тебя, если ты:
- Работаешь продуктовым аналитиком и хочешь добавить ML к своему инструментарию
- Умеешь работать в Python/Pandas, но ML-модели кажутся чёрным ящиком
- Хочешь оценивать причинно-следственные эффекты там, где A/B невозможен
- Хочешь уверенно применять uplift-моделирование и методы Causal Inference на практике
Не подойдёт, если ты:
- Никогда не писал на Python и не работал с Pandas — нужна другая база сначала
- Ищешь готовые библиотеки, чтобы скопировать без понимания
- Не готов тратить 4–12 часов в неделю и делать ДЗ на реальных данных
- Хочешь диплом Data Scientist — это курс для аналитиков, а не для исследователей
Что ты сможешь после курса
Конкретные навыки, которые останутся с тобой и будут работать в продуктовых задачах.
Строить ML-модели для прогнозирования продуктовых метрик
Оценивать причинно-следственные эффекты методами Causal Inference
Применять uplift-моделирование для отбора целевой аудитории
Корректно валидировать и интерпретировать ML-модели
Выбирать метод под задачу: A/B, DiD, Propensity Score, Double ML
Объяснять результаты ML-анализа менеджерам и стейкхолдерам
10 недель практики: от ML-моделей до причинных эффектов
Каждую неделю проходишь один цикл: разбираешь тему, закрепляешь на live-воркшопе, делаешь домашку на данных и получаешь обратную связь по своему решению.
Теория без академичности
Разбираешь ML и Causal Inference так, чтобы выстроить чёткую методологию: модели, метрики качества, валидация, причинные эффекты — и применять их в коде.
Практика на live-воркшопе
На интерактивных разборах тренируешь построение ML-моделей, выбор метода оценки эффекта и интерпретацию результатов на продуктовых кейсах.
Домашка с обратной связью
Строишь и валидируешь ML-модели на своих задачах или моих кейсах в Python/Pandas. Я проверяю каждое задание и показываю, где логика или метрики ломаются.
Чат потока и поддержка
Задаёшь вопросы, приносишь рабочие ситуации и видишь, как другие аналитики подходят к ML и Causal Inference. Я помогаю и слежу за прогрессом.
Что разбираем за 10 недель
0Встреча-знакомство потока
Расскажу о программе и организационных моментах, отвечу на любые вопросы — просто пообщаемся и познакомимся.
1Введение в ML для продуктовых аналитиков
Зачем аналитику знать ML. Карта методов: задачи классификации, регрессии, кластеризации. Отличие ML от статистики и Causal Inference. Где ML помогает продуктовым решениям, а где вредит.
Разбираем продуктовые кейсы: определяем, какую задачу решает ML, выбираем тип модели и метрику успеха.
2Подготовка данных и feature engineering
Откуда берутся признаки, как обрабатывать пропуски, выбросы и категориальные переменные. Feature engineering: создание признаков из сырых данных. Утечка данных (data leakage) и как её избежать.
Собираем обучающую выборку из продуктовых событий, строим признаки, устраняем утечку данных в ноутбуке.
3Линейные модели и регуляризация
Линейная и логистическая регрессия: интерпретация коэффициентов, мультиколлинеарность, Ridge и Lasso-регуляризация. Почему линейные модели важны для аналитика и когда их достаточно.
Строим и интерпретируем линейную и логистическую регрессии на продуктовых данных в Python.
4Деревья решений, Random Forest, Gradient Boosting
Деревья решений: как работают, как читать и объяснять. Ансамблевые методы: Random Forest и Gradient Boosting (XGBoost, LightGBM). Выбор между моделями под задачу.
Обучаем Random Forest и Gradient Boosting, сравниваем с линейной моделью, анализируем важность признаков.
5Метрики качества ML-моделей
Метрики для задач классификации (precision, recall, ROC-AUC, PR-AUC) и регрессии (RMSE, MAE, MAPE). Как выбирать метрику под продуктовую задачу и избегать ловушек.
Сравниваем модели по нескольким метрикам, строим ROC-кривые и confusion matrix, принимаем решение об оптимальной модели.
6Валидация, переобучение и интерпретация моделей
Кросс-валидация, train/val/test split, признаки переобучения. Интерпретируемость: SHAP-значения, feature importance, частичные зависимости. Как объяснять результаты ML-модели бизнесу.
Диагностируем переобучение, применяем SHAP для объяснения предсказаний модели на реальных данных.
7Causal Inference: базовые идеи и связь с A/B-тестами
Почему корреляция — не причинность. Основы потенциальных исходов (PO framework). Связь Causal Inference с A/B-тестами: когда рандомизация возможна и когда нет.
Разбираем кейсы, где нельзя провести A/B-тест, и определяем подходящие методы Causal Inference.
8Matching, Propensity Score, Difference-in-Differences
Методы контрфактического анализа: Propensity Score Matching, Inverse Probability Weighting, DiD. Когда применяется каждый метод, допущения и ограничения.
Оцениваем эффект изменения на наблюдательных данных методами PSM и DiD в Python.
9Double ML и оценка причинных эффектов
Double Machine Learning (DML): как ML помогает оценивать причинные эффекты точнее. Метод двойной ортогонализации (double orthogonalization). Инструментальные переменные. Пакет EconML/DoubleML.
Применяем Double ML для оценки причинного эффекта на продуктовом кейсе с использованием EconML.
10Uplift-моделирование и продуктовые применения
Uplift-моделирование: two-model approach, class transformation. Метрики uplift: Qini-кривая, uplift@k. Продуктовые применения: таргетинг акций, персонализация, отбор аудитории для A/B-тестов.
Строим uplift-модель на продуктовых данных, оцениваем её качество и интерпретируем результаты для продуктового решения.
Гибкая программа под задачи потока
Базовая структура курса фиксирована, но акценты и дополнительные разборы могут меняться по ходу обучения. Если в потоке много вопросов про конкретные методы, инструменты или подготовку к интервью — добавим это в практику.
В курсе — мой практический опыт работы с ML и данными
9 лет с данными и ML
4 года в роли Head of Analytics. Применяю ML и Causal Inference в работе — не только изучал, но и строил модели на реальных продуктах.
Провёл 100+ A/B-тестов и десятки causal-анализов
Знаю, когда классический эксперимент невозможен и какой метод Causal Inference подходит под задачу.
Учу на реальных задачах и в коде
ДЗ — на твоих рабочих кейсах, если их нет — на моих. Каждое проверяю лично и говорю, где криво.
Офферы с ростом ЗП от 30%
Выпускники получают офферы или повышение на текущем месте. Результат от новых навыков виден уже после первых занятий.
Выбери формат под свою цель
Базовый
Для тех, кто хочет получить материалы и двигаться в своём темпе
или одним платежом со скидкой 18%: 54 900 ₽
- 20 занятий программы
- Записи и материалы навсегда
- Чат потока
- Проверка домашних заданий
- Поддержка после интенсива
- Mock-интервью
- Сопровождение до результата
Оптимальный
Оптимальный по цене/качеству, с обратной связью от меня
или одним платежом со скидкой 18%: 69 900 ₽
- 20 занятий программы
- Записи и материалы навсегда
- Чат потока с поддержкой 2 месяца после
- Проверка 12 ДЗ от меня, обратная связь в личных сообщениях
- Срок сдачи ДЗ — 2 недели
- Mock-интервью
- Сопровождение до результата
Менторство
Для тех, кто хочет выжать максимум, с поддержкой до результата
или одним платежом со скидкой 18%: 179 900 ₽
- Всё из Оптимального
- Разбор ДЗ на личном созвоне + 12 индивидуальных занятий
- Срок сдачи ДЗ не ограничен
- Поддержка после интенсива без ограничений
- Mock-интервью на старте и на выходе
- Индивидуальный план развития слабых сторон
- Сопровождение до результата
Возврат денег в течение первой недели
Если поймёшь, что формат не твой — верну всю сумму до начала 2-го теоретического занятия — без лишних вопросов.
Можно оплатить от работодателя
Многие проходят курс за счёт компании. Подготовлю договор, счёт и акт для бухгалтерии — а если нужно убедить руководителя, помогу с обоснованием.
Можно вернуть налоговый вычет
Обучение — образовательная услуга, поэтому часть стоимости можно вернуть через налоговый вычет по НДФЛ. Подскажу, какие документы понадобятся.
Как попасть в поток
Оставь заявку — свяжусь в течение 12 часов и предложу встречу. На ней разберу твою ситуацию и пойму, подходит ли тебе курс.
- Встреча бесплатная и без обязательств
- Лично оценю твой уровень и цели, подберу подходящий тариф
- Если курс не подойдёт — подскажу, что лучше под твою задачу
как это работает
- Оставляешь заявку
- Созваниваемся и разбираем уровень
- Выбираем формат
- Стартуешь с потоком
Оставить заявку
Заполни форму, и я свяжусь с тобой в течение 12 часов.
Заявка отправлена!
Свяжусь с тобой в течение 12 часов в Telegram. Если так удобнее — можешь написать мне сам прямо сейчас.
Написать в Telegram →FAQ
Почему нельзя просто оплатить курс без установочного звонка?
Нужен ли опыт с ML, чтобы начать курс?
Зачем продуктовому аналитику ML, если есть A/B-тесты?
Как курс соотносится с вашим курсом по A/B-тестам?
Получится ли совмещать курс с работой?
Какой язык программирования нужен?
Могу ли я получить помощь между занятиями?
Что входит в сопровождение до результата (тариф Менторство)?
- применить ML-модели или Causal Inference на данных твоей компании;
- провести аудит ML-процессов и выделить точки роста;
- внедрить технические решения на реальных задачах;
- подготовиться к ML/DS-секциям на собеседованиях.
Как выглядит обратная связь по ДЗ в тарифе Менторство?
Как выглядит обратная связь по ДЗ в тарифе Оптимальный?
Как выглядит поддержка в чате на протяжении 2 месяцев?
Почему оплатить всё сразу дешевле, чем в рассрочку?
Можно ли оплатить за счёт работодателя?
Можно ли выбрать другой период рассрочки?
