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

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
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML-инженер: от первой модели до продакшена»Учеников на курсе 96
Сертификаты, выданные на курсе «ML-инженер: от первой модели до продакшена»Сертификатов выдано 0
Отзывы о курсе «ML-инженер: от первой модели до продакшена»Отзывов получено 1
Рейтинг курса «ML-инженер: от первой модели до продакшена»Рейтинг курса 5.000
Уроки в курсе «ML-инженер: от первой модели до продакшена»Количество уроков 78
Тесты в курсе «ML-инженер: от первой модели до продакшена»Количество квизов 116
Задачи с кодом в курсе «ML-инженер: от первой модели до продакшена»Количество задач с кодом 160
Время прохождения курса «ML-инженер: от первой модели до продакшена»Время прохождения курса —
Стоимость курса «ML-инженер: от первой модели до продакшена»Стоимость курса 13 990 ₽ —
Обновления курса «ML-инженер: от первой модели до продакшена»Обновления курса — —
Дата публикации курса «ML-инженер: от первой модели до продакшена»Дата публикации курса — ———
Последнее обновление курса «ML-инженер: от первой модели до продакшена»Последнее обновление — ———
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. Последнее обновление курса «ML-инженер: от первой модели до продакшена» обн. 25 февраля 2026

1. Введение в ML

5 уроков
Открытый
1.1 Что такое машинное обучение и где оно применяется ↗
137
63
8м 40с
0
Открытый
1.2 История и современные тренды ↗
93
37
16м 9с
-1
Открытый
1.3 Классы задач ML (регрессия, классификация, кластеризация, генера ↗
76
14
23м 9с
0
Открытый
1.4 Настройка окружения (Python, Jupyter, библиотеки) ↗
53
17
8м 42с
0
Открытый
1.5 Git основы для ML-проектов ↗
54
12
5м 12с
0

2. Математические основы ML

4 урока
Открытый
2.1 Линейная алгебра для ML ↗
82
5
3м 55с
0
Открытый
2.2 Основы статистики ↗
42
5
5м 38с
0
Открытый
2.3 Теория вероятностей ↗
42
3
2м 45с
0
Открытый
2.4 Оптимизация и градиенты ↗
36
3
1м 16с
0

3. Python для машинного обучения

8 уроков
Открытый
3.1 Основы Python для DS/ML ↗
49
6
2м 40с
0
Открытый
3.2 Типы данных и коллекции в Python ↗
29
1
2м 15с
0
Открытый
3.3 Работа с NumPy ↗
31
0
1м 11с
0
Открытый
3.4 Pandas: анализ табличных данных ↗
24
1
1м 15с
0
Открытый
3.5 Визуализация: Matplotlib и Seaborn ↗
20
0
1м 38с
0
Открытый
3.6 Plotly: интерактивные графики ↗
28
0
1м 37с
0
Открытый
3.7 Scikit-learn: базовые возможности ↗
32
0
5м 40с
0
Открытый
3.8 Практикум: первая модель классификации ↗
23
0
1м 4с
0

4. Сбор и подготовка данных

9 уроков
Открытый
4.1 Источники данных: CSV, SQL, API, web scraping ↗
29
2
1м 21с
0
Открытый
4.2 Парсинг данных (requests, BeautifulSoup, Scrapy) ↗
26
0
0м 14с
0
Открытый
4.3 Работа с JSON, XML, Parquet ↗
20
1
1м 1с
0
Открытый
4.4 Очистка данных и обработка пропусков ↗
17
0
0м 24с
0
Открытый
4.5 Выбросы и методы их обработки ↗
20
0
0м 14с
0
Открытый
4.6 Масштабирование данных ↗
13
0
0м 20с
0
Открытый
4.7 Кодирование категориальных переменных ↗
13
0
0м 16с
0
Открытый
4.8 Балансировка классов ↗
19
0
1м 4с
0
Открытый
4.9 Практикум: подготовка датасета ↗
19
0
0м 10с
0

5. Классические алгоритмы ML

8 уроков
Открытый
5.1 Линейная и логистическая регрессия ↗
25
1
0м 25с
0
Открытый
5.2 KNN и методы ближайших соседей ↗
12
0
0м 14с
0
Открытый
5.3 Деревья решений и Random Forest ↗
12
0
0м 11с
0
Открытый
5.4 SVM ↗
15
0
0м 7с
0
Открытый
5.5 Наивный Байес ↗
15
0
0м 22с
0
Открытый
5.6 Метрики качества: accuracy, precision, recall, F1, ROC-AUC ↗
17
0
0м 23с
0
Открытый
5.7 Валидация моделей ↗
25
0
0м 20с
0
Открытый
5.8 Практикум: сравнение алгоритмов ↗
18
0
0м 11с
0

6. Ансамбли и настройка моделей

9 уроков
Открытый
6.1 Bagging и Random Forest ↗
25
0
1м 46с
0
Открытый
6.2 Boosting: AdaBoost, Gradient Boosting ↗
17
0
0м 9с
0
Открытый
6.3 XGBoost, LightGBM, CatBoost ↗
24
0
0м 30с
0
Открытый
6.4 GridSearchCV и RandomizedSearchCV ↗
11
0
0м 12с
0
Открытый
6.5 Байесовская оптимизация ↗
11
0
0м 16с
0
Открытый
6.6 Hyperopt, Optuna ↗
18
0
0м 17с
0
Открытый
6.7 Ensemble Stacking ↗
8
0
-
0
Открытый
6.8 Отслеживание экспериментов (MLflow) ↗
25
0
3м 56с
0
Открытый
6.9 Практикум: подбор гиперпараметров ↗
18
0
0м 19с
0

7. Глубокое обучение

10 уроков
Открытый
7.1 Что такое нейронные сети и как они устроены ↗
25
0
0м 28с
0
Открытый
7.2 Функции активации, loss-функции, оптимизаторы ↗
9
0
-
0
Открытый
7.3 Регуляризация: Dropout, BatchNorm ↗
15
0
0м 8с
0
Открытый
7.4 PyTorch основы ↗
13
0
0м 12с
0
Открытый
7.5 TensorFlow/Keras основы ↗
7
0
-
0
Открытый
7.6 CNN для изображений ↗
13
0
1м 2с
0
Открытый
7.7 RNN и LSTM ↗
12
0
0м 15с
0
Открытый
7.8 Attention и Seq2Seq ↗
8
0
-
0
Открытый
7.9 Transfer Learning ↗
12
0
0м 14с
0
Открытый
7.10 Практикум: классификация изображений ↗
7
0
-
0

8. Специализированные задачи ML

7 уроков
Открытый
8.1 Кластеризация: KMeans, DBSCAN ↗
12
0
3м 39с
0
Открытый
8.2 Обнаружение аномалий ↗
9
0
-
0
Открытый
8.3 Рекомендательные системы ↗
13
0
0м 12с
0
Открытый
8.4 Анализ временных рядов: ARIMA, Prophet, LSTM ↗
10
0
-
0
Открытый
8.5 Интерпретируемость моделей: SHAP и LIME ↗
8
0
-
0
Открытый
8.6 Bias и fairness в ML ↗
11
0
0м 23с
0
Открытый
8.7 Практикум: рекомендательная система ↗
8
0
-
0

9. MLOps и продакшн

9 уроков
Открытый
9.1 Жизненный цикл ML-проекта ↗
26
1
1м 42с
0
Открытый
9.2 Версионирование моделей (MLflow, DVC) ↗
29
0
1м 13с
0
Открытый
9.3 Сериализация моделей ↗
8
0
-
0
Открытый
9.4 REST API для моделей (FastAPI) ↗
16
0
0м 14с
0
Открытый
9.5 Docker для ML ↗
30
0
1м 35с
0
Открытый
9.6 Деплой: Streamlit и облако ↗
20
0
0м 18с
0
Открытый
9.7 Мониторинг моделей ↗
19
0
0м 17с
0
Открытый
9.8 Best practices в ML в продакшне ↗
19
0
0м 21с
0
Открытый
9.9 Практикум: end-to-end проект ↗
20
0
0м 28с
0

10. Подготовка к собеседованиям

9 уроков
Открытый
10.1 Типовые вопросы по ML и DL ↗
36
3
3м 12с
0
Открытый
10.2 Математика на собеседовании ↗
26
0
1м 33с
0
Открытый
10.3 Алгоритмы и структуры данных ↗
23
0
0м 28с
0
Открытый
10.4 SQL для ML-инженеров ↗
23
0
0м 18с
0
Открытый
10.5 Python coding challenges ↗
23
0
0м 14с
0
Открытый
10.6 Системный дизайн ML-систем ↗
19
0
1м 41с
0
Открытый
10.7 Разбор реальных кейсов ↗
26
0
0м 22с
0
Открытый
10.8 Как оформить портфолио и GitHub ↗
29
0
0м 23с
0
Открытый
10.9 Итоговый проект ↗
39
0
3м 39с
0