Курс на Stepik
Обложка курса «ML-инженер: от первой модели до продакшена» на Stepik
13 990 ₽

ML-инженер: от первой модели до продакшена ★ 5.000

Открыть на
STEPIK.ORG

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.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML-инженер: от первой модели до продакшена»Учеников на курсе 96
Сертификаты, выданные на курсе «ML-инженер: от первой модели до продакшена»Сертификатов выдано 0
Отзывы о курсе «ML-инженер: от первой модели до продакшена»Отзывов получено 1
Рейтинг курса «ML-инженер: от первой модели до продакшена»Рейтинг курса 5.000
Уроки в курсе «ML-инженер: от первой модели до продакшена»Количество уроков 78
Тесты в курсе «ML-инженер: от первой модели до продакшена»Количество квизов 116
Задачи с кодом в курсе «ML-инженер: от первой модели до продакшена»Количество задач с кодом 160
Время прохождения курса «ML-инженер: от первой модели до продакшена»Время прохождения курса —
Стоимость курса «ML-инженер: от первой модели до продакшена»Стоимость курса 13 990 ₽ —
Обновления курса «ML-инженер: от первой модели до продакшена»Обновления курса — —
Дата публикации курса «ML-инженер: от первой модели до продакшена»Дата публикации курса — ———
Последнее обновление курса «ML-инженер: от первой модели до продакшена»Последнее обновление — ———
Сложность easy — ———

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

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.

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.

Преподаватели курса

Аватар Maksim
Maksim
Разрабатываю опенсорс, веб-девелопер, фрилансер с опытом
★ 4.2
32 курса 2 014
→

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.

Что вы получите

  • На выходе вы получите:
  • ✅ системное понимание ML и MLOps
  • ✅ рабочее портфолио (5+ проектов)
  • ✅ финальный end-to-end ML-сервис с автообновлением модели и мониторингом

Расскажите о курсе друзьям