Сколько стоит курс «ML-инженер: от первой модели до продакшена»?

Стоимость курса составляет 13990.00 рублей

Сколько времени занимает прохождение курса «ML-инженер: от первой модели до продакшена»?

Прохождение курса «ML-инженер: от первой модели до продакшена» занимает примерно 2 часов.

Какой рейтинг у курса «ML-инженер: от первой модели до продакшена»?

Курс имеет рейтинг 5.0 из 5 на основе 1 отзывов. На курсе обучается 96 учеников.

Где можно пройти курс «ML-инженер: от первой модели до продакшена»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/255331.

Курс на Stepik

Обложка курса «ML-инженер: от первой модели до продакшена» на Stepik

13 990 ₽

ML-инженер: от первой модели до продакшена ★ 5.000

Name: ML-инженер: от первой модели до продакшена
Price: 13990.00 RUB
Availability: InStock
Rating: 5.0 (1 reviews)

Открыть на
STEPIK.ORG

Практический курс по ML-инжинирингу. Соберёте продакшн ML-сервис: полный цикл от данных и первой модели до деплоя, мониторинга и перезапуска. Реализуете end-to-end проект (API + Docker + CI/CD). Плюс профессиональные блоки: MLflow и DVC для экспериментов и версионирования, автоматизация пайплайнов (Airflow), мониторинг дрейфа и метрик (Evidently, Prometheus), алерты, retraining и управление зависимостями.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	96
Сертификатов выдано	0
Отзывов получено	1
Рейтинг курса	5.000
Количество уроков	78
Количество квизов	116
Количество задач с кодом	160
Время прохождения курса	2 ч.	—
Стоимость курса	13 990 ₽	—
Обновления курса	—	—
Дата публикации курса	11 месяцев назад	—	—	—	—
Последнее обновление	25 февраля 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание курса

Разделы в курсе «ML-инженер: от первой модели до продакшена»

10 разделов Уроки в курсе «ML-инженер: от первой модели до продакшена»

78 уроков Тесты в курсе «ML-инженер: от первой модели до продакшена»

116 тестов Задачи в курсе «ML-инженер: от первой модели до продакшена»

160 задач Время прохождения курса «ML-инженер: от первой модели до продакшена»

2 ч.

обн. 25 февраля 2026

Введение в ML

5 уроков

1. Что такое машинное обучение и где оно применяется ↗

2. История и современные тренды ↗

3. Классы задач ML (регрессия, классификация, кластеризация, генера ↗

4. Настройка окружения (Python, Jupyter, библиотеки) ↗

5. Git основы для ML-проектов ↗

Математические основы ML

4 урока

1. Линейная алгебра для ML ↗

2. Основы статистики ↗

3. Теория вероятностей ↗

4. Оптимизация и градиенты ↗

Python для машинного обучения

8 уроков

1. Основы Python для DS/ML ↗

2. Типы данных и коллекции в Python ↗

3. Работа с NumPy ↗

4. Pandas: анализ табличных данных ↗

5. Визуализация: Matplotlib и Seaborn ↗

6. Plotly: интерактивные графики ↗

7. Scikit-learn: базовые возможности ↗

8. Практикум: первая модель классификации ↗

Сбор и подготовка данных

9 уроков

1. Источники данных: CSV, SQL, API, web scraping ↗

2. Парсинг данных (requests, BeautifulSoup, Scrapy) ↗

3. Работа с JSON, XML, Parquet ↗

4. Очистка данных и обработка пропусков ↗

5. Выбросы и методы их обработки ↗

6. Масштабирование данных ↗

7. Кодирование категориальных переменных ↗

8. Балансировка классов ↗

9. Практикум: подготовка датасета ↗

Классические алгоритмы ML

8 уроков

1. Линейная и логистическая регрессия ↗

2. KNN и методы ближайших соседей ↗

3. Деревья решений и Random Forest ↗

4. SVM ↗

5. Наивный Байес ↗

6. Метрики качества: accuracy, precision, recall, F1, ROC-AUC ↗

7. Валидация моделей ↗

8. Практикум: сравнение алгоритмов ↗

Ансамбли и настройка моделей

9 уроков

1. Bagging и Random Forest ↗

2. Boosting: AdaBoost, Gradient Boosting ↗

3. XGBoost, LightGBM, CatBoost ↗

4. GridSearchCV и RandomizedSearchCV ↗

5. Байесовская оптимизация ↗

6. Hyperopt, Optuna ↗

7. Ensemble Stacking ↗

8. Отслеживание экспериментов (MLflow) ↗

9. Практикум: подбор гиперпараметров ↗

Глубокое обучение

10 уроков

1. Что такое нейронные сети и как они устроены ↗

2. Функции активации, loss-функции, оптимизаторы ↗

3. Регуляризация: Dropout, BatchNorm ↗

4. PyTorch основы ↗

5. TensorFlow/Keras основы ↗

6. CNN для изображений ↗

7. RNN и LSTM ↗

8. Attention и Seq2Seq ↗

9. Transfer Learning ↗

10. Практикум: классификация изображений ↗

Специализированные задачи ML

7 уроков

1. Кластеризация: KMeans, DBSCAN ↗

2. Обнаружение аномалий ↗

3. Рекомендательные системы ↗

4. Анализ временных рядов: ARIMA, Prophet, LSTM ↗

5. Интерпретируемость моделей: SHAP и LIME ↗

6. Bias и fairness в ML ↗

7. Практикум: рекомендательная система ↗

MLOps и продакшн

9 уроков

1. Жизненный цикл ML-проекта ↗

2. Версионирование моделей (MLflow, DVC) ↗

3. Сериализация моделей ↗

4. REST API для моделей (FastAPI) ↗

5. Docker для ML ↗

6. Деплой: Streamlit и облако ↗

7. Мониторинг моделей ↗

8. Best practices в ML в продакшне ↗

9. Практикум: end-to-end проект ↗

Подготовка к собеседованиям

9 уроков

1. Типовые вопросы по ML и DL ↗

2. Математика на собеседовании ↗

3. Алгоритмы и структуры данных ↗

4. SQL для ML-инженеров ↗

5. Python coding challenges ↗

6. Системный дизайн ML-систем ↗

7. Разбор реальных кейсов ↗

8. Как оформить портфолио и GitHub ↗

9. Итоговый проект ↗