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

1. Постановка ML-задачи и работа с данными

7 уроков
Открытый
1.1 От бизнес-проблемы к ML-постановке ↗
29
4
4м 45с
0
Открытый
1.2 Формализация метрик и trade-offs ↗
5
0
-
0
Открытый
1.3 Инвентаризация источников данных ↗
3
0
-
0
Открытый
1.4 Настройка reproducibility и версионирование данных ↗
2
0
-
0
Открытый
1.5 Exploratory Data Analysis: распределения и аномалии ↗
3
0
-
0
Открытый
1.6 Поиск data leakage и временных утечек ↗
2
1
-
0
Открытый
1.7 Валидация качества данных и построение чек-листа ↗
3
0
-
0

2. Feature engineering и подготовка признаков

6 уроков
Открытый
2.1 Базовые трансформации: кодирование и нормализация ↗
2
0
-
0
Открытый
2.2 Работа с пропусками и выбросами ↗
1
1
-
0
Открытый
2.3 Генерация доменных признаков ↗
1
0
-
0
Открытый
2.4 Feature selection: фильтры и embedded методы ↗
1
0
-
0
Открытый
2.5 Валидация устойчивости признаков ↗
2
1
-
0
Открытый
2.6 Построение feature pipeline ↗
2
0
-
0

3. Обучение и валидация моделей

4 урока
Открытый
3.1 Baseline-модель и train/val/test split ↗
1
0
-
0
Открытый
3.2 Выбор валидационной стратегии ↗
1
0
-
0
Открытый
3.3 Обучение gradient boosting моделей ↗
2
0
-
0
Открытый
3.4 Интерпретация learning curves и диагностика переобучения ↗
1
0
-
0

4. Эксперимент-трекинг и оценка моделей

5 уроков
Открытый
4.1 Настройка эксперимент-трекинга (MLflow / Weights & Biases) ↗
1
0
-
0
Открытый
4.2 Сравнение экспериментов и версионирование моделей ↗
1
0
-
0
Открытый
4.3 Выбор метрик оценки ↗
1
0
-
0
Открытый
4.4 Оценка на holdout и кросс-валидация ↗
1
0
-
0
Открытый
4.5 Обнаружение ложного улучшения качества ↗
2
0
-
0

5. Error analysis и итеративное улучшение

4 урока
Открытый
5.1 Построение confusion matrix и анализ ошибок по классам ↗
0
0
-
0
Открытый
5.2 Сегментация ошибок по признакам ↗
0
0
-
0
Открытый
5.3 Качественный анализ сложных примеров ↗
1
0
-
0
Открытый
5.4 Формулирование гипотез и планирование следующей итерации ↗
0
0
-
0

6. Подготовка модели к деплою

5 уроков
Открытый
6.1 Сериализация модели и артефактов ↗
0
0
-
0
Открытый
6.2 Проектирование контракта inference API ↗
0
0
-
0
Открытый
6.3 Разработка минимального FastAPI-сервиса ↗
1
0
-
0
Открытый
6.4 Обработка ошибок и валидация входа ↗
0
0
-
0
Открытый
6.5 Batch-inference для офлайн-сценариев ↗
0
0
-
0

7. CI/CD для ML-проектов

5 уроков
Открытый
7.1 Юнит-тесты для data pipeline и feature engineering ↗
0
0
-
0
Открытый
7.2 Интеграционные тесты inference API ↗
0
0
-
0
Открытый
7.3 Настройка CI-пайплайна (GitHub Actions / GitLab CI) ↗
0
0
-
0
Открытый
7.4 Автоматизация сборки и регистрации артефактов ↗
0
0
-
0
Открытый
7.5 Релизные проверки качества модели ↗
0
0
-
0

8. Мониторинг и поддержка моделей в продакшне

6 уроков
Открытый
8.1 Мониторинг базовых метрик: latency, throughput, errors ↗
0
0
-
0
Открытый
8.2 Логирование предсказаний и ground truth ↗
0
0
-
0
Открытый
8.3 Детекция data drift: распределения признаков ↗
0
0
-
0
Открытый
8.4 Мониторинг prediction drift и качества модели ↗
0
0
-
0
Открытый
8.5 Обнаружение деградации модели и триггеры переобучения ↗
1
0
-
0
Открытый
8.6 Построение дашборда мониторинга модели ↗
0
0
-
0

9. Коммуникация результатов и работа с заинтересованными сторонами

4 урока
Открытый
9.1 Подготовка понятной презентации результатов для бизнеса ↗
0
0
-
0
Открытый
9.2 Документирование ограничений и рисков модели ↗
0
0
-
0
Открытый
9.3 Объяснение trade-offs: точность vs скорость, recall vs precision ↗
0
0
-
0
Открытый
9.4 Взаимодействие с инженерной командой: SLA и требования к инфрас… ↗
0
0
-
0