Курс на Stepik
Обложка курса «Data Scientist: от данных до деплоя моделей» на Stepik
9 990 ₽

Data Scientist: от данных до деплоя моделей ★ 5.000

Открыть на
STEPIK.ORG

Практический курс по Data Science: от постановки ML-задачи и работы с данными до inference API, CI/CD и мониторинга моделей в продакшне. Вы пройдёте EDA, feature engineering, обучение и оценку моделей, experiment tracking, error analysis и deployment — чтобы собирать полноценный рабочий контур вокруг ML-решения.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Data Scientist: от данных до деплоя моделей»Учеников на курсе 20
Сертификаты, выданные на курсе «Data Scientist: от данных до деплоя моделей»Сертификатов выдано 0
Отзывы о курсе «Data Scientist: от данных до деплоя моделей»Отзывов получено 1
Рейтинг курса «Data Scientist: от данных до деплоя моделей»Рейтинг курса 5.000
Уроки в курсе «Data Scientist: от данных до деплоя моделей»Количество уроков 46
Тесты в курсе «Data Scientist: от данных до деплоя моделей»Количество квизов 179
Задачи с кодом в курсе «Data Scientist: от данных до деплоя моделей»Количество задач с кодом 97
Время прохождения курса «Data Scientist: от данных до деплоя моделей»Время прохождения курса —
Стоимость курса «Data Scientist: от данных до деплоя моделей»Стоимость курса 9 990 ₽ —
Обновления курса «Data Scientist: от данных до деплоя моделей»Обновления курса — —
Дата публикации курса «Data Scientist: от данных до деплоя моделей»Дата публикации курса — ———
Последнее обновление курса «Data Scientist: от данных до деплоя моделей»Последнее обновление — ———

Чему вы научитесь

  • Формулировать ML-задачу из бизнес-требований: выбирать таргет, тип задачи, метрики и trade-offs.
  • Проводить EDA, находить аномалии, пропуски, data leakage и временные утечки.
  • Строить и валидировать признаки: кодирование, нормализация, обработка пропусков, feature selection и feature pipeline.
  • Обучать baseline- и gradient boosting-модели, выбирать схему валидации и корректно интерпретировать результаты.
  • Организовывать experiment tracking, сравнивать эксперименты и выбирать модель-кандидат на продакшн.
  • Проводить error analysis: confusion matrix, сегментация ошибок, анализ сложных примеров и планирование следующих итераций.
  • Упаковывать модель и признаки для inference, проектировать API-контракт и собирать сервис предсказаний на FastAPI.
  • Встраивать ML-проект в инженерный контур: тесты, CI/CD, сборка артефактов и релизные проверки качества.
  • Настраивать мониторинг latency, ошибок, data drift, prediction drift и деградации модели после релиза.
  • Объяснять результаты, ограничения и trade-offs модели бизнесу, продукту и инженерной команде.

О курсе

Практический курс по Data Science: от постановки ML-задачи и работы с данными до inference API, CI/CD и мониторинга моделей в продакшне. Вы пройдёте EDA, feature engineering, обучение и оценку моделей, experiment tracking, error analysis и deployment — чтобы собирать полноценный рабочий контур вокруг ML-решения.

Для кого этот курс

Для аналитиков, дата-сайентистов и ML-специалистов, которые хотят выйти за пределы “модели в ноутбуке” и разобраться в полном production-cycle. Для тех, кто уже строил модели или работал с данными, но хочет системно закрыть пробелы в постановке задачи, валидации, feature engineering, experiment tracking, inference API, CI/CD и мониторинге. Для Python-разработчиков и технических специалистов, которым интересно, как устроен прикладной ML-проект от данных и признаков до сервиса предсказаний и поддержки модели после релиза. Для тех, кто хочет лучше понимать, как выглядит работа с ML в реальных командах: какие проверки нужны до деплоя, как следить за drift, как анализировать ошибки и как объяснять результаты бизнесу и инженерам.

Начальные требования

Для комфортного прохождения курса желательно:
— уверенно писать на Python;
— уметь работать с Jupyter Notebook;
— знать основы pandas и NumPy;
 

Курс не рассчитан на полный старт с нуля в Python и математике. Если Вы уже умеете работать с данными и знакомы с базовым ML, курс поможет перейти к более прикладному и production-oriented уровню.

Преподаватели курса

Аватар Алексей Малышкин
Алексей Малышкин
Автор курсов по программированию, машинному обучению и анализу данных. Разбираю современные технологии и инструменты.
★ 4.7
23 курса 2 110
→

Как проходит обучение

Обучение построено как последовательный проход по полному циклу Data Science-проекта.

Внутри курса Вас ждут теоретические объяснения, практические примеры и задания, в которых нужно будет формулировать ML-задачу, анализировать данные, строить признаки, обучать и оценивать модели, разбирать ошибки, собирать inference API, добавлять тесты, настраивать CI/CD и мониторинг.

По мере прохождения курса Вы будете двигаться от постановки задачи и EDA к обучению модели, затем к деплою, проверкам качества и поддержке модели после релиза. Такой формат помогает увидеть Data Science не как набор разрозненных техник, а как цельный инженерный процесс.

Что вы получите

  • Полный прикладной пайплайн Data Science: от постановки ML-задачи и работы с данными до inference API, CI/CD и мониторинга модели в продакшне.
  • Практические навыки, которые редко собирают в одном курсе: data leakage, feature engineering, experiment tracking, error analysis, quality gates, data drift и prediction drift.
  • Понимание того, как доводить ML-решение до рабочего продакшн-сценария, а не оставлять его на уровне ноутбука.
  • Практику на реальных для индустрии сценариях: обучение моделей, анализ ошибок, упаковка сервиса предсказаний, автоматические проверки и мониторинг после релиза.
  • Системное представление о работе дата-сайентиста в реальном проекте: метрики, trade-offs, SLA, ограничения модели и взаимодействие с бизнесом и инженерами.
  • Навыки, которые можно использовать в работе, pet-проектах и портфолио.

Расскажите о курсе друзьям