Сколько стоит курс «ML Engineer / Data Scientist: табличные модели в продакшн»?

Стоимость курса составляет 12990.00 рублей

Какой рейтинг у курса «ML Engineer / Data Scientist: табличные модели в продакшн»?

Курс имеет рейтинг 5.0 из 5 на основе 1 отзывов. На курсе обучается 23 учеников.

Где можно пройти курс «ML Engineer / Data Scientist: табличные модели в продакшн»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/276456.

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

Name: ML Engineer / Data Scientist: табличные модели в продакшн
Price: 12990.00 RUB
Availability: InStock
Rating: 5.0 (1 reviews)

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
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	23
Сертификатов выдано	0
Отзывов получено	1
Рейтинг курса	5.000
Количество уроков	44
Количество квизов	168
Количество задач с кодом	104
Время прохождения курса	6 ч.	—
Стоимость курса	12 990 ₽	—
Обновления курса	—	—
Дата публикации курса	8 месяцев назад	—	—	—	—
Последнее обновление	22 марта 2026	—	—	—	—

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.

обн. 22 марта 2026

Подготовка данных и инфраструктура ML-проекта

5 уроков

1. Настройка окружения и структура ML-проекта ↗

2. Версионирование данных и моделей с DVC ↗

3. Exploratory Data Analysis табличных данных ↗

4. Обработка пропусков в табличных данных ↗

5. Кодирование категориальных признаков ↗

Feature Engineering для табличных данных

4 урока

1. Генерация признаков на основе бизнес-логики ↗

2. Полиномиальные признаки и взаимодействия ↗

3. Агрегатные признаки и группировки ↗

4. Автоматический Feature Engineering с Featuretools ↗

Обучение моделей CatBoost

4 урока

1. Первая модель CatBoost для классификации ↗

2. Встроенная обработка категорий в CatBoost ↗

3. Кросс-валидация для CatBoost ↗

4. CatBoost для задачи регрессии ↗

Обучение моделей LightGBM

4 урока

1. Первая модель LightGBM для классификации ↗

2. Обработка категориальных признаков в LightGBM ↗

3. Кросс-валидация для LightGBM ↗

4. LightGBM для задачи регрессии ↗

Тюнинг гиперпараметров моделей

5 уроков

1. Grid Search для подбора гиперпараметров ↗

2. Random Search для ускоренного тюнинга ↗

3. Bayesian Optimization с Optuna ↗

4. Тюнинг параметров регуляризации ↗

5. Сравнение стратегий тюнинга ↗

Интерпретация и отладка моделей

6 уроков

1. Feature Importance в CatBoost и LightGBM ↗

2. SHAP-значения для глобальной интерпретации ↗

3. SHAP-значения для локальных предсказаний ↗

4. Диагностика переобучения и underfitting ↗

5. Выявление data leakage ↗

6. Анализ ошибок модели ↗

Автоматизация и deployment моделей

6 уроков

1. Автоматизация обучения с Python-скриптами ↗

2. Создание inference pipeline ↗

3. Unit-тесты для ML-пайплайна ↗

4. Deployment модели через REST API с FastAPI ↗

5. Batch-инференс для больших объемов данных ↗

6. Контейнеризация модели с Docker ↗

Мониторинг моделей в продакшне

6 уроков

1. Метрики для мониторинга качества модели ↗

2. Детектирование дрейфа признаков ↗

3. Детектирование дрейфа предсказаний ↗

4. Система алертов для деградации модели ↗

5. Dashboard для визуализации метрик ↗

6. Стратегия переобучения модели ↗