Чему вы научитесь
- Понимать ключевые принципы машинного обучения и типы задач (регрессия, классификация, кластеризация).
- Готовить данные: очистка, обработка выбросов, кодирование категорий, масштабирование.
- Работать с NumPy, Pandas и визуализировать данные (Matplotlib, Seaborn, Plotly).
- Разрабатывать модели на Scikit-learn: от линейной регрессии до бустингов (XGBoost, LightGBM, CatBoost).
- Оценивать модели по метрикам (accuracy, precision, recall, F1, ROC-AUC) и проводить валидацию.
- Оптимизировать гиперпараметры (GridSearchCV, Optuna, Hyperopt) и собирать ансамбли.
- Строить нейронные сети в PyTorch и TensorFlow (CNN, RNN, Transfer Learning).
- Решать задачи рекомендаций, временных рядов, кластеризации и детекции аномалий.
- Интерпретировать модели (SHAP, LIME) и учитывать bias/fairness.
- Версионировать эксперименты и модели (MLflow, DVC).
- Собирать REST API для ML-моделей (FastAPI).
- Упаковывать и деплоить модели (Docker, Streamlit, облачные сервисы).
- Настраивать мониторинг и перезапуск моделей в продакшене (Evidently, Prometheus).
- Разрабатывать end-to-end ML-проекты и оформлять GitHub-портфолио.
- Готовиться к собеседованиям на позиции ML/DS/ML Engineer (алгоритмы, SQL, системный дизайн).
О курсе
Этот курс — про инженерную сборку ML-систем под реальные условия продакшена. Вы пройдёте путь от чистого ноутбука и базовой модели до полностью работающего сервиса: с пайплайном данных, API, CI/CD и мониторингом.
Внутри — не только «как обучить модель», но и то, что важно в эксплуатации: версионирование экспериментов (MLflow, DVC), контейнеризация и деплой (Docker, FastAPI), автоматизация пайплайнов (Airflow), контроль качества (Evidently), алерты, retraining и управление зависимостями. Отдельные блоки посвящены оптимизации гиперпараметров, интерпретации моделей и принципам надёжности ML-сервисов.
Ничего лишнего: каждое занятие завершается практическим артефактом — обученной моделью, пайплайном, Docker-образом или эндпоинтом. Все проекты запускаются «из коробки» и воспроизводятся по инструкциям.
Итог курса.
На выходе вы соберёте и задеплоите end-to-end ML-продукт: подготовка данных, обучение модели, REST API, контейнеризация, деплой в облако и мониторинг метрик. Получившийся проект можно добавить в портфолио и использовать как базу для продакшн ML-систем.
А больше информации о ML/AI/DS вы можете узнать в нашем тгк Data Trends AI & ML
Для кого этот курс
Наши преподаватели
Как проходит обучение
Каждый модуль — это мини-спринт: короткая теория, примеры из практики и самостоятельные задачи.
Вы пишете код, обучаете модели и проверяете результат автотестами.
Все проекты оформляются в GitHub-репозитории с чек-листом критериев и скриптами проверки.
В конце каждого спринта — артефакт: обученная модель, API-эндпоинт, Docker-образ или дашборд метрик.
Финальный модуль — полный end-to-end проект, который можно показать работодателю.
Программа курса
Сертификат
Что вы получаете
- На выходе вы получите:
- ✅ системное понимание ML и MLOps
- ✅ рабочее портфолио (5+ проектов)
- ✅ финальный end-to-end ML-сервис с автообновлением модели и мониторингом