Курс «Инженер машинного обучения»: обучение профессии Machine Learning инженер с нуля — Практикум СНГ

Программа 2024 года — освоите самые актуальные технологии
Docker, FastAPI, Airflow, MLflow, Yandex Cloud и другие инструменты
7 ML-проектов в портфолио, включая настоящие сервисы
Обучение продвинутых моделей и создание микросервисов в облачной среде
Можно заниматься в удобное время, главное — сдавать проекты в срок
Сертификат о завершении курса

Чем занимается инженер машинного обучения

Работает с данными и создаёт на их основе алгоритмы машинного обучения, которые помогают решать прикладные задачи.

Инженерная составляющая подразумевает подготовку и вывод модели в работу, поддержку её качества, улучшение эффективности. ML‑Engineer часто работает в паре со специалистами по Data Science, аналитиками данных и инженерами данных.

Кому подойдёт курс

Разработчикам и инженерам данных

Углубите знания по алгоритмам и инструментам машинного обучения, чтобы участвовать в сложных проектах и быть конкурентоспособным на рынке труда

Аналитикам и специалистам по Data Science

Пройдёте через полный цикл ML‑проектов: от разработки модели до её внедрения — чтобы выйти на новый уровень развития карьеры

Начинающим ML-инженерам

Сможете структурировать знания, попрактиковаться и получить обратную связь от более опытных коллег, чтобы расти по карьерной лестнице

Что желательно знать до начала курса

Python: базовые навыки, Jupyter Notebook, библиотеки Pandas и другие
SQL: базовые запросы и предобработка данных внутри запроса
Работа с данными: подготовка, чистка, описательная статистика
Принципы классического машинного обучения: выбор алгоритма для модели и её обучение
Работа с Git и командной строкой: локальный и удалённый репозиторий, управление репозиторием через IDE и консоль

За 4 месяца освоите полный цикл ML‑проектов

Сможете сами

Собирать данные и запускать с ними регулярные процессы
Обучать модели в стабильной инфраструктуре и выводить их в продакшен
Находить ошибки в процессах, улучшать базовый пайплайн и модели
Создавать и контейнеризировать микросервисы
Работать с uplift-моделированием
Строить модели неперсонализированных рекомендаций, контентной и коллаборативной фильтрации

Разработаете 3 сервиса

На данных Яндекс Недвижимости обучите модель, которая предсказывает события. Создадите микросервис и развернёте его в облачной инфраструктуре
Разработаете рекомендательную систему для улучшения предсказаний в сервисе Яндекс Музыка
Решите задачу uplift-моделирования: определите аудиторию и финансовый эффект

Получите мощный набор навыков и инструментов

DVC

MLflow

Airflow

Optuna

Docker

FastAPI

Yandex Cloud

6 тем・~3 часа

Бесплатно

Как стать ML-инженером

1 модуль — бесплатно, чтобы вы познакомились с ролью инженера машинного обучения и поняли, хотите ли развиваться в этом направлении

Переменные и типы
Циклы и ветвления
Функции
Библиотеки
Протокол HTTP

Кто такой ML‑инженер

Что это за роль и зачем она нужна, задачи ML‑инженера

Навыки ML‑инженера

Что вы уже знаете и чему нужно научиться для успешной карьеры

Отличия от других профессий

В чём разница между ML‑инженером и специалистом по Data Science, инженером или аналитиком данных, DevOps‑ и MLOps‑инженерами

О курсе

Что вас ждёт в каждом из спринтов, какие рабочие инструменты вы освоите, как будете практиковаться, сколько длится курс

Пройдёте входное тестирование и поймёте, подходит ли вам курс

5 тем・1 проект・3 недели

Разработка пайплайнов подготовки данных и обучения модели

DVC
AirFlow
S3

Подготовка и трансформация данных в Airflow

Знакомство с Airflow, первый DAG, подготовка данных для обучение базовой модели

Создание ML‑модели и настройка DVC‑пайплайна

Автоматизация подготовки данных (ETL) с помощью Airflow, обучение базовой модели, создание и запуск DVC‑пайплайна, версионирование артефактов

Для сервиса Яндекс Недвижимость настроите процесс обучения модели, которая должна помочь остановить отток клиентов

6 тем・1 проект・3 недели

Улучшение baseline-модели

MLflow
Optuna
Mlxtend
Продвинутый EDA

Контроль за экспериментами

Основные сущности MLflow: Tracking, Projects, Models, Model Registry, развёртывание MLflow, логирование ML‑модели, сохранение окружения, визуализация результатов, методы версионирования модели и контроль изменений, доступ к результатам и артефактам моделей через API

Конструирование признаков: Feature Engineering

Продвинутый EDA (Exploratory Data Analysis), работа с разными типами признаков: ускорение обработки, применение автоматической генерации; отбор наиболее важных признаков, организация обработки данных

Подбор гиперпараметров модели

Cтандартные методы подбора: решётчатый поиск (Grid Search) и случайный поиск (Random Search), байесовский подход; фреймворк Optuna, визуализация процесса подбора гиперпараметров — Optuna и MLflow одновременно

Улучшите качество модели с помощью Feature Engineering и оптимизации гиперпараметров

6 тем・1 проект・3 недели

Релиз модели в продакшен

Docker
FastAPI
Yandex.Cloud
Uvicorn
Prometheus
Grafana

Создание микросервиса

Архитектура приложений, использование FastAPI для написания микросервиса на базе ML‑модели, его сборка, отладка и запуск

Контейнеризация микросервиса

Настройка изолированного окружения, использование готовых Docker‑образов и запуск Python‑скриптов, Docker‑файл для запуска, оптимизация разработки и запуска приложений — Docker Compose

Мониторинг ML‑модели

Метрики мониторинга в продакшене, их сбор, хранение (Prometheus Server), аналитика (PromQL) и визуализация в Grafana

Создадите сервис на базе ML‑модели и развернёте его в облачной инфраструктуре

1 неделя

Перерыв

7 тем・1 проект・3 недели

Создание рекомендательной системы

Uvicorn
implicit
catboost
U2U, I2I, ALS
S3

Рекомендательные системы

Принципы и алгоритмы персональных рекомендаций, виды рекомендательных систем, «холодный старт», матрица взаимодействий

Базовые рекомендации

Коллаборативная фильтрация (ALS), контентные рекомендации, валидация рекомендательной системы

Двухстадийный подход

Генерация наборов рекомендаций с помощью разных алгоритмов, ранжирование полученных рекомендаций для отбора лучших из них

Архитектура рекомендательных систем

Типовая архитектура, онлайн‑рекомендации, сервис рекомендаций: ASGI‑сервер Uvicorn на базе фреймворка FastAPI

Разработаете рекомендательную систему для улучшения предсказаний в Яндекс Музыке, оформите сервис и выкатите его в продакшен

7 тем・1 проект・3 недели

Создание uplift-модели

S/T-learner
scikit-uplift
X/R-learner
uplift-деревья

Uplift-моделирование

Концепция, метрики и методы оценки качества, базовые методы, продвинутые подходы, продакшен

Решите задачу uplift‑моделирования: определитесь с аудиторией и оцените финансовый эффект

Самостоятельно・2 недели

Итоговый проект

Подтвердите, что освоили новые навыки, и пройдёте полный цикл работы с моделью: от формирования задачи и сбора данных до разработки модели и выкатки её в продакшен. Теперь без теории и практических заданий — всё как в реальной работе.

Дополнительный модуль

Сферы применения машинного обучения

ML и бизнес
Метрики машинного обучения
Векторные и языковые представления
Улучшение моделей

Машинное обучение в бизнесе

Запуск новых функций сервиса с применением машинного обучения, сбор данных, связь метрик машинного обучения с метриками продукта

Машинное обучение для текстов

Классификация для текстовых данных, векторные представления текстов с помощью статистических моделей, работа с языковыми представлениями нейросетей

Машинное обучение с учителем

Новые модели машинного обучения, метрики, средства для улучшения моделей и данных, упрощение обучения моделей

Научитесь с помощью ML‑моделей запускать новые фичи и обрабатывать текстовые данные, а ещё поймёте, как упростить обучение моделей

Как вы будете проходить курс

Осваивать теорию небольшими блоками

Программу составили инженеры машинного обучения и методисты Практикума — получите только самое необходимое и то, что пригодится в работе.

И сразу применять её на практике в инфраструктуре

Предоставим доступ к Yandex Cloud, где можно обучать и развёртывать ML‑модели. Практика похожа на реальные рабочие задачи — после курса вам не придётся заново чему‑то учиться.

Посещать вебинары и воркшопы с наставниками

Все наставники — опытные ML‑инженеры. На вебинарах они делятся лучшими практиками, разбирают сложные темы и интересные кейсы, отвечают на вопросы.

Получать регулярную обратную связь

Эксперты будут на связи в чате, чтобы ответить на вопросы и помочь разобраться с задачей. А по своим проектам вы получите подробную обратную связь от ревьюеров.

А ещё сможете стать частью сообщества специалистов по работе с данными

Наши курсы проходят инженеры данных, аналитики, разработчики и другие специалисты из разных сфер, компаний и стран. Вы сможете обменяться опытом с коллегами и завести ценные связи.

Будете проходить курс на нашей платформе, а YandexGPT вам поможет

Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого модуля подготовит краткий пересказ о самом главном.

Вас поддержит заботливая команда

Авторы собрали весь свой опыт в одной программе

Инженеры с хорошими знаниями теории и многолетним практическим опытом собрали и систематизировали свои знания, чтобы передать вам самое необходимое

Антон Моргунов

Senior инженер по компьютерному зрению в «Базис Центре», программный эксперт курса

Дмитрий Донецков

Руководитель направления по исследованию данных

Попробовать бесплатно

Этот курс может оплатить
ваш работодатель

Полностью или разделив оплату с вами,
например 50/50 или 75/25

Расскажем всё про курс
Поделимся презентацией
Ответим на ваши вопросы
Подготовим договор и счёт

Что ещё важно

Перенесём дедлайн или предложим перейти в следующую когорту

Дедлайн проекта можно сдвинуть на неделю. Если нужно больше времени, куратор поможет перевестись в более позднюю когорту. Так вы сможете пройти темы и закончить проект в комфортном темпе.

Курс будет проходить на русском языке

Теория, практика и вебинары, а ещё чаты с куратором, наставником и другими участниками курса.

Вернём деньги за остаток курса, если передумаете

Нужно будет оплатить только время со старта вашей первой когорты. Подробнее об условиях — в 7 пункте оферты.

Посмотреть оферту

Выдадим сертификат о завершении курса

Отправим его в электронном виде.

Отвечаем на вопросы

Каким требованиям нужно соответствовать?

Курс рассчитан на специалистов, у которых уже есть начальный опыт в области машинного обучения. Мы ожидаем, что вы уже:
• Знаете язык программирования Python: базовые навыки, Jupyter Notebook, библиотеки Pandas и другие.
• Знаете SQL: базовые запросы и предобработку данных внутри запроса.
• Умеете работать с данными: разбираетесь в подготовке, чистке, описательной статистике.
• Знакомы с принципами классического машинного обучения: выбором алгоритма для модели и её обучением.

Что делать, если я не справлюсь с нагрузкой?

В программе предусмотрен перерыв, во время которого можно отдохнуть или повторить сложные темы.

Если случилось непредвиденное или понадобилось больше времени на закрепление материала, напишите своему куратору. Он поможет перенести дедлайн сдачи проекта или перевестись в более позднюю когорту. На общую стоимость курса это не повлияет.

Если не понравится, я могу вернуть деньги?

Конечно. Если курс ещё не начался, вернём всю сумму. Если уже начался, придётся оплатить прошедшие дни со старта вашей первой когорты — но мы вернём деньги за остаток курса. Более подробно рассказываем об этом в 7 пункте оферты.

Получу ли я какой-то документ после курса?

Да, вы получите сертификат о завершении курса.

Как можно оплатить?

Банковской картой: внести всю сумму сразу или платить ежемесячно.

Ежемесячные платежи работают так: вы вносите первую оплату, и в этот момент привязывается карта. С этой карты автоматически будут списываться следующие платежи каждые 30 календарных дней. Например, оплатили 25 марта — следующий платёж пройдёт 24 апреля. Курс будет стоить меньше, если оплатить его сразу целиком.

Через компанию: юридические лица также могут оплатить курс в Практикуме. Чтобы заказать счёт для оплаты, оставьте заявку на странице для корпоративных клиентов.

На каком языке проходит курс?

Всё будет на русском: теория, практические задания и вебинары, а ещё чаты с куратором, наставником и другими участниками курса.

В какой валюте можно оплатить курс?

Оплатить курс можно в любой валюте, кроме российских рублей.

Чтобы вам было проще сориентироваться, мы указываем примерную стоимость в долларах США, но списание будет в казахстанских тенге, а конвертация — по курсу вашего банка.

Давайте поможем

Мы работаем с 09:00 до 18:00 по минскому времени и связываемся в течение одного дня. Если оставите заявку сейчас, то перезвоним уже в рабочее время.

Соглашаюсь на обработку персональных данных

Курс «Инженер машинного обучения»