Курс на Stepik
Обложка курса «ML Engineer / Data Scientist: табличные модели в продакшн» на Stepik
12 990 ₽

ML Engineer / Data Scientist: табличные модели в продакшн ★ 5.000

Открыть на
STEPIK.ORG

Практический курс для тех, кто хочет получить навыки ML Engineer / Data Scientist на реальных табличных задачах. В курсе Вы не просто обучите CatBoost/LightGBM, а соберёте полноценный production-style пайплайн: подготовка данных, feature engineering (генерация признаков), корректная валидация, защита от leakage (утечек), тюнинг через Optuna, интерпретация через SHAP, batch-инференс и REST API для предсказаний.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML Engineer / Data Scientist: табличные модели в продакшн»Учеников на курсе 23
Сертификаты, выданные на курсе «ML Engineer / Data Scientist: табличные модели в продакшн»Сертификатов выдано 0
Отзывы о курсе «ML Engineer / Data Scientist: табличные модели в продакшн»Отзывов получено 1
Рейтинг курса «ML Engineer / Data Scientist: табличные модели в продакшн»Рейтинг курса 5.000
Уроки в курсе «ML Engineer / Data Scientist: табличные модели в продакшн»Количество уроков 44
Тесты в курсе «ML Engineer / Data Scientist: табличные модели в продакшн»Количество квизов 168
Задачи с кодом в курсе «ML Engineer / Data Scientist: табличные модели в продакшн»Количество задач с кодом 104
Время прохождения курса «ML Engineer / Data Scientist: табличные модели в продакшн»Время прохождения курса —
Стоимость курса «ML Engineer / Data Scientist: табличные модели в продакшн»Стоимость курса 12 990 ₽ —
Обновления курса «ML Engineer / Data Scientist: табличные модели в продакшн»Обновления курса — —
Дата публикации курса «ML Engineer / Data Scientist: табличные модели в продакшн»Дата публикации курса — ———
Последнее обновление курса «ML Engineer / Data Scientist: табличные модели в продакшн»Последнее обновление — ———

Содержание курса

Разделы в курсе «ML Engineer / Data Scientist: табличные модели в продакшн» 8 разделов Уроки в курсе «ML Engineer / Data Scientist: табличные модели в продакшн» 44 урока Тесты в курсе «ML Engineer / Data Scientist: табличные модели в продакшн» 168 тестов Задачи в курсе «ML Engineer / Data Scientist: табличные модели в продакшн» 104 задачи Время прохождения курса «ML Engineer / Data Scientist: табличные модели в продакшн» 6 ч. Последнее обновление курса «ML Engineer / Data Scientist: табличные модели в продакшн» обн. 22 марта 2026

1. Подготовка данных и инфраструктура ML-проекта

5 уроков
Закрытый
1.1 Настройка окружения и структура ML-проекта ↗
21
21
0м 2с
0
Закрытый
1.2 Версионирование данных и моделей с DVC ↗
18
18
0м 2с
0
Закрытый
1.3 Exploratory Data Analysis табличных данных ↗
15
15
0м 2с
0
Закрытый
1.4 Обработка пропусков в табличных данных ↗
12
12
0м 2с
0
Закрытый
1.5 Кодирование категориальных признаков ↗
8
8
-
0

2. Feature Engineering для табличных данных

4 урока
Закрытый
2.1 Генерация признаков на основе бизнес-логики ↗
5
5
-
0
Закрытый
2.2 Полиномиальные признаки и взаимодействия ↗
4
4
-
0
Закрытый
2.3 Агрегатные признаки и группировки ↗
3
3
-
0
Закрытый
2.4 Автоматический Feature Engineering с Featuretools ↗
3
3
-
0

3. Обучение моделей CatBoost

4 урока
Закрытый
3.1 Первая модель CatBoost для классификации ↗
3
3
-
0
Закрытый
3.2 Встроенная обработка категорий в CatBoost ↗
2
2
-
0
Закрытый
3.3 Кросс-валидация для CatBoost ↗
2
2
-
0
Закрытый
3.4 CatBoost для задачи регрессии ↗
2
2
-
0

4. Обучение моделей LightGBM

4 урока
Закрытый
4.1 Первая модель LightGBM для классификации ↗
1
1
-
0
Закрытый
4.2 Обработка категориальных признаков в LightGBM ↗
1
1
-
0
Закрытый
4.3 Кросс-валидация для LightGBM ↗
1
1
-
0
Закрытый
4.4 LightGBM для задачи регрессии ↗
1
1
-
0

5. Тюнинг гиперпараметров моделей

5 уроков
Закрытый
5.1 Grid Search для подбора гиперпараметров ↗
1
1
-
0
Закрытый
5.2 Random Search для ускоренного тюнинга ↗
1
1
-
0
Закрытый
5.3 Bayesian Optimization с Optuna ↗
1
1
-
0
Закрытый
5.4 Тюнинг параметров регуляризации ↗
1
1
-
0
Закрытый
5.5 Сравнение стратегий тюнинга ↗
0
0
-
0

6. Интерпретация и отладка моделей

6 уроков
Закрытый
6.1 Feature Importance в CatBoost и LightGBM ↗
1
1
-
0
Закрытый
6.2 SHAP-значения для глобальной интерпретации ↗
1
1
-
0
Закрытый
6.3 SHAP-значения для локальных предсказаний ↗
1
1
-
0
Закрытый
6.4 Диагностика переобучения и underfitting ↗
1
1
-
0
Закрытый
6.5 Выявление data leakage ↗
1
1
-
0
Закрытый
6.6 Анализ ошибок модели ↗
0
0
-
0

7. Автоматизация и deployment моделей

6 уроков
Закрытый
7.1 Автоматизация обучения с Python-скриптами ↗
1
1
-
0
Закрытый
7.2 Создание inference pipeline ↗
1
1
-
0
Закрытый
7.3 Unit-тесты для ML-пайплайна ↗
1
1
-
0
Закрытый
7.4 Deployment модели через REST API с FastAPI ↗
1
1
-
0
Закрытый
7.5 Batch-инференс для больших объемов данных ↗
1
1
-
0
Закрытый
7.6 Контейнеризация модели с Docker ↗
1
1
-
0

8. Мониторинг моделей в продакшне

6 уроков
Закрытый
8.1 Метрики для мониторинга качества модели ↗
1
1
-
0
Закрытый
8.2 Детектирование дрейфа признаков ↗
0
0
-
0
Закрытый
8.3 Детектирование дрейфа предсказаний ↗
0
0
-
0
Закрытый
8.4 Система алертов для деградации модели ↗
0
0
-
0
Закрытый
8.5 Dashboard для визуализации метрик ↗
0
0
-
0
Закрытый
8.6 Стратегия переобучения модели ↗
0
0
-
0