ML-инженер: от первой модели до продакшена

Практический курс по ML-инжинирингу. Соберёте продакшн ML-сервис: полный цикл от данных и первой модели до деплоя, мониторинга и перезапуска. Реализуете end-to-end проект (API + Docker + CI/CD). Плюс профессиональные блоки: MLflow и DVC для экспериментов и версионирования, автоматизация пайплайнов (Airflow), мониторинг дрейфа и метрик (Evidently, Prometheus), алерты, retraining и управление зависимостями.

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).

О курсе

Этот курс — про <strong>инженерную сборку ML-систем</strong> 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 <strong>то, что важно в эксплуатации</strong>: 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 <strong>практическим артефактом</strong> — обученной моделью, пайплайном, Docker-образом или эндпоинтом. Все проекты запускаются «из коробки» и воспроизводятся по инструкциям. <strong>Итог курса.</strong> На выходе вы соберёте и задеплоите <strong>end-to-end ML-продукт</strong>: 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.

Вы также можете задать любой вопрос по курсу у поддержки t.me/mentorix_support

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

Модулей: 10, уроков: 77. Задачи с кодом проверяются автоматически.

1. Введение в ML

   • Что такое машинное обучение и где оно применяется
   • История и современные тренды
   • Классы задач ML (регрессия, классификация, кластеризация, генерация)
   • 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 настройка 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

Стоимость курса: 24990 ₽

Открыть курс на Mentorix · Все курсы