ML-инженер: от первой модели до продакшена [stepik.org] [Максим Крупчатников]

Складчина: ML-инженер: от первой модели до продакшена [stepik.org] [Максим Крупчатников]

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.

Для кого этот курс
Для всех, кто хочет уверенно войти в машинное обучение и доводить модели до продакшена.
Подойдёт студентам, начинающим аналитикам, разработчикам и Data Scientist’ам, которые хотят системно понять, как строятся реальные ML-сервисы — от идеи и данных до готового API и мониторинга.
Курс не требует глубоких математических знаний — всё нужное разбирается по ходу практики.

Программа курса:
1. Введение в ML
2. Математические основы ML
3. Python для машинного обучения
4. Сбор и подготовка данных
5. Классические алгоритмы ML
6. Ансамбли и настройки моделей
7. Глубокое обучение
8. Специализированные задачи ML
9. MLops и продакшн
10. Подготовка к собеседованиям

Спойлер: Подробная программа

1. Введение в ML:

• Что такое машинное обучение и где оно применяется
• История и современные тренды
• Классы задач ML (регрессия, классификация, кластеризация, генера
• Настройка окружения (Python, Jupyter, библиотеки)
• Git основы для ML-проектов

2. Математические основы ML:

• Линейная алгебра для ML
• Основы статистики
• Теория вероятностей
• Оптимизация и градиенты

3. Python для машинного обучения:

• Основы Python для DS/ML
• Типы данных и коллекции в Python
• Работа с NumPy
• Pandas: анализ табличных данных
• Визуализация: Matplotlib и Seaborn
• Plotly: интерактивные графики
• Scikit-learn: базовые возможности
• Практикум: первая модель классификации

4. Сбор и подготовка данных:

• Источники данных: CSV, SQL, API, web scraping
• Парсинг данных (requests, BeautifulSoup, Scrapy)
• Работа с JSON, XML, Parquet
• Очистка данных и обработка пропусков
• Выбросы и методы их обработки
• Масштабирование данных
• Кодирование категориальных переменных
• Балансировка классов
• Практикум: подготовка датасета

5. Классические алгоритмы ML:

• Линейная и логистическая регрессия
• KNN и методы ближайших соседей
• Деревья решений и Random Forest
• SVM
• Наивный Байес
• Метрики качества: accuracy, precision, recall, F1, ROC-AUC
• Валидация моделей
• Практикум: сравнение алгоритмов

6. Ансамбли и настройки моделей:

• Bagging и Random Forest
• Boosting: AdaBoost, Gradient Boosting
• XGBoost, LightGBM, CatBoost
• GridSearchCV и RandomizedSearchCV
• Байесовская оптимизация
• Hyperopt, Optuna
• Ensemble Stacking
• Отслеживание экспериментов (MLflow)
• Практикум: подбор гиперпараметров

7. Глубокое обучение:

• Что такое нейронные сети и как они устроены
• Функции активации, loss-функции, оптимизаторы
• Регуляризация: Dropout, BatchNorm
• PyTorch основы
• TensorFlow/Keras основы
• CNN для изображений
• RNN и LSTM
• Attention и Seq2Seq
• Transfer Learning
• Практикум: классификация изображений

8. Специализированные задачи ML:

• Кластеризация: KMeans, DBSCAN
• Обнаружение аномалий
• Рекомендательные системы
• Анализ временных рядов: ARIMA, Prophet, LSTM
• Интерпретируемость моделей: SHAP и LIME
• Bias и fairness в ML
• Практикум: рекомендательная система

9. MLops и продакшн:

• Жизненный цикл ML-проекта
• Версионирование моделей (MLflow, DVC)
• Сериализация моделей
• REST API для моделей (FastAPI)
• Docker для ML
• Деплой: Streamlit и облако
• Мониторинг моделей
• Best practices в ML в продакшне
• Практикум: end-to-end проект

10. Подготовка к собеседованиям:

• Типовые вопросы по ML и DL
• Математика на собеседовании
• Алгоритмы и структуры данных
• SQL для ML-инженеров
• Python coding challenges
• Системный дизайн ML-систем
• Разбор реальных кейсов
• Как оформить портфолио и GitHub
• Итоговый проект

На выходе вы получите:

• системное понимание ML и MLOps
• рабочее портфолио (5+ проектов)
• финальный end-to-end ML-сервис с автообновлением модели и мониторингом

Стоимость: 12990 руб.
Скрытая ссылка