Чему вы научитесь
- Переводить бизнес-задачи в ML-решения
- Работать с данными так, как это делается в компаниях
- Строить полный ML-пайплайн: от baseline до тюнинга, калибровки и AutoML
- Объяснять поведение модели
- Доводить модели до продакшена и мониторинга
О курсе
Это не очередной курс «как обучить модель».
Это симулятор реальной работы Data Scientist’а в компании — от бизнес-вопроса до продакшн-модели и её мониторинга.
В реальной работе обучение модели занимает лишь малую часть времени. Гораздо важнее уметь:
-
понять, что именно нужно бизнесу,
-
собрать и подготовить данные из разных источников,
-
построить воспроизводимый ML-пайплайн,
-
объяснить результаты,
-
и довести модель до прода, а не оставить в ноутбуке.
В курсе вы шаг за шагом проходите полный ML-цикл:
от постановки требований и работы с DWH / Data Lake
до построения и интерпретации моделей, MLOps, мониторинга и финального проекта.
Будут:
-
работа с реальными сценариями и типичными проблемами DS,
-
осознанный подход к моделированию (baseline, фичи, тюнинг, калибровка),
-
интерпретируемость (SHAP, LIME),
-
продакшн-подходы (MLflow, MaaS, Docker, Airflow),
-
мониторинг качества и data drift.
Итог курса — не просто обученная модель, а понимание, как выглядит Data Science “по-настоящему” в бизнесе.
Для кого этот курс
Начальные требования
Для комфортного прохождения курса рекомендуется:
-
Базовое знание Python
понимание синтаксиса, функций, циклов, условий, работы с библиотеками; -
Навыки работы с данными
опыт использования pandas на базовом уровне; -
Общее понимание Machine Learning
что такое признаки, целевая переменная, обучение модели и метрики качества; -
Умение читать код
не обязательно уметь писать всё с нуля, но важно понимать, что происходит в ноутбуках; -
Готовность к практике
курс требует активной работы с заданиями, экспериментов и самостоятельных выводов.
Наши преподаватели
Как проходит обучение
Обучение в курсе построено вокруг практики
Формат занятий
-
Видео — объяснение идей, логики решений и ключевых моментов урока по Jupiter-ноутбуку.
-
Теоретические степы — короткие тексты, которые дополняют (либо заменяют) видео и помогают зафиксировать материал.
-
Практические задания — работа с кодом в Google Colab: данные, модели, эксперименты.
-
Вопросы и задачи — степы на проверка изученных уроков.
Программа курса
Что вы получаете
- Понимание полного цикла Data Science-проекта — от бизнес-задачи и данных до продакшна и мониторинга модели
- Практический опыт работы с ML-пайплайнами в формате, близком к реальным проектам
- Навык принятия инженерных решений, а не просто обучение моделей по шаблону
- Уверенность в работе с данными: очистка, объединение, анализ, подготовка признаков
- Опыт использования продакшн-инструментов: MLflow, Docker, Airflow, Evidently
- Готовый финальный проект, который можно использовать в портфолио