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 — ———

Содержание курса

Разделы в курсе «Data Scientist: от данных до деплоя моделей» 9 разделов Уроки в курсе «Data Scientist: от данных до деплоя моделей» 46 уроков Тесты в курсе «Data Scientist: от данных до деплоя моделей» 179 тестов Задачи в курсе «Data Scientist: от данных до деплоя моделей» 97 задач Время прохождения курса «Data Scientist: от данных до деплоя моделей» 0 ч. Последнее обновление курса «Data Scientist: от данных до деплоя моделей» обн. 6 апреля 2026

Постановка ML-задачи и работа с данными

7 уроков
1. От бизнес-проблемы к ML-постановке ↗
2. Формализация метрик и trade-offs ↗
3. Инвентаризация источников данных ↗
4. Настройка reproducibility и версионирование данных ↗
5. Exploratory Data Analysis: распределения и аномалии ↗
6. Поиск data leakage и временных утечек ↗
7. Валидация качества данных и построение чек-листа ↗

Feature engineering и подготовка признаков

6 уроков
1. Базовые трансформации: кодирование и нормализация ↗
2. Работа с пропусками и выбросами ↗
3. Генерация доменных признаков ↗
4. Feature selection: фильтры и embedded методы ↗
5. Валидация устойчивости признаков ↗
6. Построение feature pipeline ↗

Обучение и валидация моделей

4 урока
1. Baseline-модель и train/val/test split ↗
2. Выбор валидационной стратегии ↗
3. Обучение gradient boosting моделей ↗
4. Интерпретация learning curves и диагностика переобучения ↗

Эксперимент-трекинг и оценка моделей

5 уроков
1. Настройка эксперимент-трекинга (MLflow / Weights & Biases) ↗
2. Сравнение экспериментов и версионирование моделей ↗
3. Выбор метрик оценки ↗
4. Оценка на holdout и кросс-валидация ↗
5. Обнаружение ложного улучшения качества ↗

Error analysis и итеративное улучшение

4 урока
1. Построение confusion matrix и анализ ошибок по классам ↗
2. Сегментация ошибок по признакам ↗
3. Качественный анализ сложных примеров ↗
4. Формулирование гипотез и планирование следующей итерации ↗

Подготовка модели к деплою

5 уроков
1. Сериализация модели и артефактов ↗
2. Проектирование контракта inference API ↗
3. Разработка минимального FastAPI-сервиса ↗
4. Обработка ошибок и валидация входа ↗
5. Batch-inference для офлайн-сценариев ↗

CI/CD для ML-проектов

5 уроков
1. Юнит-тесты для data pipeline и feature engineering ↗
2. Интеграционные тесты inference API ↗
3. Настройка CI-пайплайна (GitHub Actions / GitLab CI) ↗
4. Автоматизация сборки и регистрации артефактов ↗
5. Релизные проверки качества модели ↗

Мониторинг и поддержка моделей в продакшне

6 уроков
1. Мониторинг базовых метрик: latency, throughput, errors ↗
2. Логирование предсказаний и ground truth ↗
3. Детекция data drift: распределения признаков ↗
4. Мониторинг prediction drift и качества модели ↗
5. Обнаружение деградации модели и триггеры переобучения ↗
6. Построение дашборда мониторинга модели ↗

Коммуникация результатов и работа с заинтересованными сторонами

4 урока
1. Подготовка понятной презентации результатов для бизнеса ↗
2. Документирование ограничений и рисков модели ↗
3. Объяснение trade-offs: точность vs скорость, recall vs precision ↗
4. Взаимодействие с инженерной командой: SLA и требования к инфрас… ↗